氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一，准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性，为了提高污染物排放浓度预测精度，提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列；根据IMF子序列与原始数据之间的相关性分析，剔除极弱相关的信号分量，有效减小原信号数据中的噪声；将IMF序列集分为高、低频两部分，分别进入不同深度的LSTM网络；最终，将子序列的预测结果反变换得到NOx排放浓度。实验表明，在催化裂化装置NOx排放预测中，对比LSTM的表现，EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%；在决定系数R2上增大了43%，实现了更高的预测精度。
