Pour assurer le fonctionnement sûr et stable du système de réduction sélective catalytique (SCR) des centrales électriques au charbon, il est nécessaire de mettre en place un plan scientifiquement raisonnable pour prédire la durée de vie du catalyseur SCR. La défaillance du catalyseur SCR est le résultat de l'action de plusieurs facteurs physiques et chimiques, difficile de prédire son degré de désactivation à l'aide de modèles physiques traditionnels ou de formules mathématiques. Dans cette étude, compte tenu des caractéristiques des big data des centrales électriques, un prétraitement des données brutes a été effectué et quatre modèles de prédiction ont été établis : ajustement de courbes, prédiction grise, réseau de neurones BP et réseau de neurones gris. Une analyse comparative des cas a révélé que le prétraitement des données peut améliorer la précision de la prédiction ; lorsque les données satisfont les caractéristiques de temps équivalent, le modèle de réseau de neurones gris optimisé peut atteindre une plus grande précision de prédiction, tandis que lorsque les données ne satisfont pas les caractéristiques de temps équivalent, l'utilisation du modèle de réseau de neurones BP permet d'obtenir de meilleurs résultats dans la prédiction.

système de réduction des oxydes d'azote dans les gaz; catalyseur SCR; prédiction de durée de vie; ajustement de courbes; prédiction grise; réseau de neurones BP; réseau de neurones gris