Pour résoudre le problème de prédiction de la concentration en NOx à la sortie du système SCR des unités de production d'électricité au charbon, cet article propose une méthode de modélisation dynamique du système SCR qui combine l'apprentissage extrême (ELM) et l'algorithme génétique (GA). Afin d'éviter l'impact de la randomité de la matrice de poids d'entrée et du biais de la couche cachée de l'ELM, l'optimisation a été réalisée par GA pour les poids de la couche d'entrée et le biais de la couche cachée de l'ELM afin de construire un modèle du système SCR basé sur GA-ELM. La précision de prédiction et la capacité de généralisation du modèle GA-ELM ont été validées à l'aide de données de fonctionnement réel du système SCR d'une unité de production d'électricité au charbon, et comparées aux résultats de prédiction des modèles de machine à vecteurs de support à moindres carrés (LSSVM) et ELM. Les résultats montrent que le modèle GA-ELM offre la meilleure précision de prédiction et capacité de généralisation, et peut estimer efficacement la concentration en NOx à la sortie du système SCR.

Unité de production d'électricité au charbon; Système SCR; Apprentissage extrême; Algorithme génétique; Modèle dynamique; Contrôle prédictif