Para resolver o problema da baixa precisão na previsão da concentração de massa de NO_x na saída do reator de redução catalítica seletiva (SCR) utilizando métodos tradicionais de modelagem de mecanismos, foi proposto um modelo híbrido de previsão que combina o algoritmo de otimização de lobo cinzento aprimorado (EGWO) com a rede neural de memória de longo curto prazo (LSTM). Primeiro, os dados originais foram processados e filtrados com base na análise de componentes principais (PCA) para reduzir a dimensionalidade das variáveis de entrada. Em seguida, o EGWO foi usado para otimizar os hiperparâmetros da rede LSTM. Finalmente, as variáveis de entrada foram usadas como entrada para o modelo EGWO-LSTM para prever a concentração de massa de NO_x na saída. Tomando como exemplo uma usina termelétrica ultrasupercrítica doméstica de 1.000 MW, os resultados da simulação mostraram que o modelo apresenta o melhor controle de erro, com o erro quadrático médio reduzido em 50,36% em comparação com o modelo LSTM tradicional e 76,14% em comparação com o modelo BP, com erro percentual absoluto médio do modelo de apenas 1,01%. O EGWO exige menos iterações para convergir para a solução ótima em comparação ao GWO e apresenta maior precisão de convergência.

Reator SCR; modelo de previsão; NO_x; LSTM; análise de componentes principais; algoritmo de otimização do lobo cinzento aprimorado