基于改进粒子群优化长短时记忆神经网络的脱硫系统SO2 预测模型

吴 磊，康英伟

（上海电力大学自动化工程学院，上海 200090）

近年来石灰石-石膏湿法烟气脱硫技术具有脱硫效率高、成本低等优点，已经成为大型燃煤电厂烟气脱硫的主导技术，在世界范围内占有率达85%左右[1]。然而脱硫系统易受各种因素的影响，存在大惯性、大延迟、实时性差等问题，导致系统难以控制[2]。由于脱硫系统机理建模复杂且预测精度不高，难以满足控制优化的需求。当工况发生变化时，如果机组人员操作不及时会导致SO2质量浓度超标。因此建立一个有效的SO2质量浓度预测模型，不仅可以分析出口SO2质量浓度与相关非线性参数之间的关系，还可以为运行人员及时调整脱硫系统运行参数提供参考，保证脱硫系统运行的稳定性和经济性[3]。

近年来，随着人工智能技术的不断发展和计算能力的不断提升，以及国内大型火电厂均采用厂级监控信息系统（SIS），其历史数据库存储有电厂生产的大量历史数据，这为实现数据驱动的神经网络建模创造了有利的条件。目前对脱硫系统进行建模的方法有很多，文献[4]利用非稳态理论建立脱硫系统吸收段和氧化段过程模型来分析影响脱硫效率的影响因素。文献[5]采用最小二乘支持向量机（LSSVM）建立稳定和动态的氧化还原电位（ORP）模型来优化脱硫系统以减少汞的再排放。文献[6]采用粒度分布（PSD）对火电厂脱硫系统吸收器建模来预测SO2去除率。文献[7]基于深度神经网络对脱硫系统性能参数进行预测，但是针对长短时记忆（LSTM）神经网络模型参数未进行相关的优化。……