Для решения проблемы недостаточной точности прогнозирования массовой концентрации NO_x на выходе реактора селективного каталитического восстановления (SCR) с использованием традиционных методов механического моделирования предложена гибридная модель прогнозирования, сочетающая усиленный алгоритм оптимизации серого волка (EGWO) и рекуррентную нейронную сеть с долговременной и кратковременной памятью (LSTM). Сначала исходные данные обрабатываются и отбираются с помощью анализа главных компонентов (PCA) для снижения размерности входных переменных. Затем EGWO используется для оптимизации гиперпараметров сети LSTM. В итоге входные переменные подаются на вход модели EGWO-LSTM для прогнозирования массовой концентрации NO_x на выходе. На примере отечественной сверхсуперкритической угольной электростанции мощностью 1000 МВт результаты моделирования показали, что модель демонстрирует наилучший контроль ошибок: среднеквадратическая ошибка уменьшилась на 50,36% по сравнению с традиционной моделью LSTM и на 76,14% по сравнению с моделью BP, средняя абсолютная процентная ошибка модели составила всего 1,01%. EGWO требует меньше итераций для сходимости к оптимальному решению по сравнению с GWO и обладает более высокой точностью сходимости.

Реактор SCR;прогнозирующая модель;NO_x;LSTM;анализ главных компонентов;усиленный алгоритм оптимизации серого волка