氮氧化物已经成为严重影响我国生态环境的污染物之一,随着环保力度的加大,燃煤电厂越来越重视烟气氮氧化物的排放控制。选择性催化还原(SCR)技术是国内外燃煤电厂中最重要的氮氧化物排放控制技术,其核心是SCR脱硝催化剂。催化剂的性能决定了 SCR系统的整体运行效果,因此对SCR脱硝催化剂的运行状况和剩余寿命进行准确预测是燃煤电厂安全经济运行的迫切需要。目前主要通过指数模型和单因素失活动力学模型来进行SCR催化剂寿命的分析预测。然而,SCR催化剂的工作环境复杂并且烟气条件多变,催化剂的失效是多个物理和化学因素共同作用的结果,仅通过传统的物理、数学公式无法准确预测其催化剂失活规律和寿命。本文基于电厂大数据,从数据挖掘的角度出发,首先对原始数据进行预处理,然后通过单因素失活和多因素失活模型来研究催化剂活性变化规律。在单因素失活研究中,建立了曲线拟合和灰色预测模型来分析运行时间与催化剂活性之间的变化规律；在多因素失活研究中,通过BP神经网络和灰色神经网络模型预测催化剂活性。通过实例对比分析发现,预处理后的数据满足等时距特性,此时灰色神经网络优化后的直接输出模型预测精度较高。对于烟气参数波动较大的电厂，本文从数据预处理方法和预测模型两方面进行优化。在数据预处理时,将烟气量作为标准进行数据筛选。同时针对BP神经网络结构上的缺陷,进行遗传算法优化的神经网络建模研究。研究表明,数据筛选可以避免烟气参数波动对预测效果的影响。筛选后的数据不再具有等时距特性,此时使用遗传算法优化网络(GABP)预测效果最佳。