Para abordar el problema de la baja precisión en la predicción de la concentración de masa de NO_x a la salida del reactor de reducción catalítica selectiva (SCR) mediante métodos tradicionales de modelado de mecanismos, se propuso un modelo híbrido de predicción que combina el algoritmo de optimización del lobo gris mejorado (EGWO) y la red neuronal de memoria a largo corto plazo (LSTM). Primero, se procesaron y seleccionaron los datos originales basándose en el análisis de componentes principales (PCA) para lograr la reducción de la dimensionalidad de las variables de entrada. Luego, se utilizó EGWO para optimizar los hiperparámetros de la red LSTM. Finalmente, las variables de entrada se usaron como entrada del modelo EGWO-LSTM para predecir la concentración de masa de NO_x a la salida. Tomando como ejemplo una central térmica nacional ultrasupercrítica de 1.000 MW, los resultados de la simulación mostraron que el modelo tiene el mejor control de error, con un error cuadrático medio reducido en un 50,36 % en comparación con el modelo LSTM tradicional y un 76,14 % en comparación con el modelo BP, con un error absoluto porcentual medio del modelo del 1,01 %. Además, el EGWO requiere menos iteraciones para converger a la solución óptima en comparación con el GWO y tiene una mayor precisión de convergencia.

Reactor SCR; modelo de predicción; NO_x; LSTM; análisis de componentes principales; algoritmo de optimización del lobo gris mejorado