Pour résoudre le problème de faible précision de la prévision de la concentration massique de NO_x à la sortie du réacteur de réduction catalytique sélective (SCR) avec les méthodes traditionnelles de modélisation mécaniste, un modèle de prédiction hybride combinant l'algorithme d'optimisation du loup gris amélioré (EGWO) et le réseau de neurones à mémoire longue à court terme (LSTM) est proposé. Tout d'abord, les données brutes sont traitées et filtrées par analyse en composantes principales (ACP) afin de réduire la dimension des variables d'entrée. Ensuite, l'EGWO est utilisé pour optimiser les hyperparamètres du réseau LSTM. Enfin, les variables d'entrée sont utilisées comme entrée du modèle EGWO-LSTM pour prédire la concentration massique de NO_x à la sortie. En prenant comme exemple une centrale thermique à ultra-supercritique nationale de 1 000 MW, les résultats de la simulation montrent que ce modèle offre la meilleure maîtrise de l'erreur, avec une réduction de la racine carrée moyenne de l'erreur de 50,36 % par rapport au modèle LSTM traditionnel et de 76,14 % par rapport au modèle BP, avec une erreur absolue moyenne en pourcentage du modèle seulement de 1,01 %. L'EGWO nécessite également moins d'itérations que le GWO pour converger vers la solution optimale et possède une précision de convergence plus élevée.

Réacteur SCR; modèle de prédiction; NO_x; LSTM; analyse en composantes principales; algorithme d'optimisation du loup gris amélioré