摘要

本文建立了一個隱含層包含一個長短期記憶層（Long-short Term Memory, LSTM）、兩個線性整流函數(shù)層（Rectified Linear Unit, ReLU）、兩個全連接層（Fully Connected Layer）和輸入、輸出層組成的深度神經(jīng)網(wǎng)絡用于脫硫系統(tǒng)主要指標預測。該模型對輸入?yún)?shù)采用了指數(shù)滑動平均、合并最小分析周期等數(shù)據(jù)預處理技術(shù)進行降噪，在網(wǎng)絡訓練過程中采用 out技術(shù)防止過擬合。仿真結(jié)果對比現(xiàn)場數(shù)據(jù)表明，模型對漿液 pH 值、出口 SO2濃度和脫硫率均體現(xiàn)出良好的預測能力。本文還結(jié)合某 2×350MW?燃煤電廠提供的實際工數(shù)據(jù)，以石灰石供漿密度對系統(tǒng)脫硫性能的影響為例，詳細介紹了利用所建立的深度神經(jīng)網(wǎng)絡模型測試濕法脫硫系統(tǒng)各參數(shù)指標對脫硫效果的影響，并結(jié)合化學機理和工業(yè)實際進行的診斷過程。

關(guān)鍵詞：燃煤電廠；脫硫系統(tǒng)；計算機模擬；深度學習；神經(jīng)網(wǎng)絡；預測；模型應用；智慧環(huán)保；

當前，國家正加快推進以 5G、人工智能、工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)為代表的新型基礎設施建設（新基建），電力行業(yè)的智能化建設也蓬勃發(fā)展。國內(nèi)大型火力發(fā)電廠很早就實現(xiàn)了廠級 DCS 數(shù)據(jù)監(jiān)控，歷史運行數(shù)據(jù)豐富，為實現(xiàn)數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡建模提供了有利條件。由于脫硫系統(tǒng)受各種復雜工況的影響，且具有大慣性、非線性等特點，化學機理建模只能較粗略地對脫硫系統(tǒng)重要指標進行預測。當前化學機理建模的手段主要是通過傳質(zhì)理論、化學動力學建立系列微分方程求解，或通過離子平衡規(guī)律、電中性原理建立守恒方程求解?；瘜W機理建模的優(yōu)勢在于可以計算和判斷各主要化學物質(zhì)的濃度和存在形式，并可以對物質(zhì)的空間分布進行分析。但是，化學機理建模也面臨因計算代價大從而過度簡化、無法考慮復雜工況等問題，導致預測效果較差，模型遷移能力不強。

隨著人工智能技術(shù)的高速發(fā)展，神經(jīng)網(wǎng)絡技術(shù)逐漸被應用于對脫硫系統(tǒng)進行建模預測。早期技術(shù)主要是基于簡單的反向傳播（Back Propagation, BP）設計神經(jīng)網(wǎng)絡，但因 BP 網(wǎng)絡結(jié)構(gòu)簡單，存在一些問題。蘇向鵬等采用了基于徑向基函數(shù)（Radical Basis Function，RBF）的改進模型，改善了 BP 網(wǎng)絡易陷入局部最小值的缺陷；李軍紅等利用的廣義回歸神經(jīng)網(wǎng)絡（Generalized Regression Neural Network，GRNN）是基于 RBF 網(wǎng)絡改進的神經(jīng)網(wǎng)絡模型，針對樣本較少的情況，預測效果有所改善。但上述改進仍未考慮脫硫系統(tǒng)大慣性的特點，F(xiàn)U J 等使的用 LSTM 網(wǎng)絡，就能實現(xiàn)信息在時序上傳遞。不過因其設計的網(wǎng)絡只使用了 LSTM 一種結(jié)構(gòu)，神經(jīng)網(wǎng)絡在結(jié)構(gòu)設計上還有改進空間?；谏鲜龇治觯疚牟捎枚喾N網(wǎng)絡結(jié)構(gòu)和數(shù)據(jù)處理技術(shù)設計深度神經(jīng)網(wǎng)絡模型，模型預測誤差水平和訓練代價顯著下降。

1 神經(jīng)網(wǎng)絡輸入數(shù)據(jù)預處理

1.1 輸入數(shù)據(jù)降噪預處理

本文采用華北某 2×350MW 電廠 2019 年 7 月 1 日到 27 日按分鐘記錄的脫硫環(huán)保數(shù)據(jù)集（共計 40000條）進行網(wǎng)絡參數(shù)訓練，模型選取的 14 個分析指標和 DCS 監(jiān)測值基本變動范圍如表 1 所示：

表 1 神經(jīng)網(wǎng)絡的輸入指標和其波動范圍

本文對 DCS 提供的原始數(shù)據(jù)采用指數(shù)滑動平均技術(shù)(Exponential Moving Average, EMA)進行降噪。因為電廠監(jiān)測系統(tǒng)測量值易受溫度、濕度等影響而漂移，EMA 可以使得數(shù)據(jù)輸入更重視變化趨勢而不是瞬時振蕩，對神經(jīng)網(wǎng)絡模型訓練過程、防止過擬合有積極作用。

式中：vt為 t 時刻指數(shù)滑動平均值，rt 原始值。β 為遞減系數(shù)，l 為窗口長度 (min)。

為更好地平衡降噪和趨勢保留，對不同變量，本文采用不同的 l 值，使得測量噪聲得以消去，而變化趨勢得以保留。圖 1 中，展示了入口煙氣流量、SO2含量經(jīng)過滑動平均的分析結(jié)果（l 分別取 7 和 5）和監(jiān)測值的對比。對其他變量，模型采用的 l 值基本在 5~15 之間。

圖 1 數(shù)據(jù) EMA 降噪結(jié)果展示

1.2 最小分析時間周期劃分

目前基于神經(jīng)網(wǎng)絡的脫硫系統(tǒng)相關(guān)預測模型，大都是基于前 1min 的 DCS 監(jiān)測值預測后 1min 的監(jiān)測值。這樣模型的預測誤差雖然較小，但由于控制系統(tǒng)的響應很難達到如此小的時間精度，實際應用中仍需要對一個段時間段（一般為控制系統(tǒng)最小響應時間）取平均，再帶入網(wǎng)絡計算，而由于網(wǎng)絡是針對 1min設計和訓練的，就容易造成較大誤差。所以，本文在建模初始就進行了最小分析時間周期的劃分，在數(shù)據(jù)預處理、網(wǎng)絡架構(gòu)上都適當考慮了適應較長預測時間的需求，只需要對模型參數(shù)調(diào)整即可改變最小預測周期。

圖 2 展示了本文所建立模型的預測誤差隨最小分析周期變動的箱線圖。箱體下端為 25%分位數(shù)的位置，箱體上端為 75%分位數(shù)的位置，這表明箱體包含了 50%誤差值分布。除了箱體的上下邊緣外，箱線圖還展示了幾個偏離程度較大的異常點。

圖 2 最小分析周期變化對模型性能的影響

顯然，最小分析周期增大，誤差邊緣范圍擴大、異常點增多，這是做長時段預測必然面對的情況，電廠可以根據(jù)容忍的誤差限和最短工況反應時間選定網(wǎng)絡參數(shù)。本文模型采用最小分析周期為 3min，且預測效果達到預期后選擇盡可能簡單的深度神經(jīng)網(wǎng)絡結(jié)構(gòu)加速運算過程。當前情況下，模型的訓練時長為 1 分17 秒，計算輸出結(jié)果僅需數(shù)秒，小于最小分析周期，可以滿足工業(yè)實際需求。

為了體現(xiàn)輸入工況的時滯性并減少異常值輸入對模型影響，模型在處理輸入時還采用了加權(quán)周期處理，周期設置一般取 3~5 個最小分析單元。之后的預測結(jié)果表明，此做法增加了模型的魯棒性，模型對異常輸入的響應不敏感。圖 3 展示了本文所建立模型的數(shù)據(jù)預處理過程。

圖 3 模型數(shù)據(jù)預處理過程

2 神經(jīng)網(wǎng)絡結(jié)構(gòu)及訓練方法

2.1 神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

本文所建立的深度神經(jīng)網(wǎng)絡模型結(jié)構(gòu)如圖 4 所示，除了常規(guī)的輸入層、輸出層和全連接層外，還引入了 LSTM 層、ReLU 層和 out 模塊，增強了網(wǎng)絡的預測能力和泛化性能。

圖 4 深度神經(jīng)網(wǎng)絡的設計結(jié)構(gòu)

在神經(jīng)網(wǎng)絡結(jié)構(gòu)中，循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）一般用于解決時序問題。但 RNN在訓練過程中容易發(fā)生“梯度消失”現(xiàn)象。LSTM 本質(zhì)也是一種 RNN，但由于其巧妙設計了門限結(jié)構(gòu)，可將之前的工況影響選擇性地記憶或遺忘，并能解決 RNN 的“梯度消失”問題。近年，LSTM 已在電廠 NOx排放量預測和電力市場及負荷預測被中應用。本文模型使用的 LSTM 層的基本運算流程如圖 5 所示，模型中架設設 1 個 LSTM 層，含如圖示節(jié)點神經(jīng)元 128 個，梯度閾值設置為 1，并采用 L2 正則化方法，正則化系數(shù)為 0.0001。

圖 5 LSTM 網(wǎng)絡結(jié)構(gòu)的運算流程

模型在 LSTM 層和全連接層后都架設了 ReLU 層。相較于 LSTM 層、全連接層使用的 sigmoid 或 tanh激活函數(shù)，使用 ReLU 激活函數(shù)計算神經(jīng)元響應，計算復雜度顯著下降。另對深度神經(jīng)網(wǎng)絡而言，ReLU激活函數(shù)可顯著降低因 sigmoid 激活函數(shù)接近飽和區(qū)時導數(shù)趨于 0 帶來的梯度消失現(xiàn)象。此外，在輸入小于 0 時，ReLU 層的輸出也為 0，減少了網(wǎng)絡間相互依賴過程，對防止模型過擬合有積極作用。

2.2 模型訓練過程

網(wǎng)絡參數(shù)訓練采用自適應矩估計(Adaptive moment estimation, ADAM)方法控制梯度下降過程。設置初始學習速率 0.013，最小學習批次為 256，為防止梯度爆炸，設置梯度閾值為 1。模型最大訓練輪數(shù)為 60輪，每 20 輪后，學習速率降低到原先的 0.6。在模型訓練過程中，采用 out 技術(shù)防止模型過擬合，該技術(shù)由人工智能領(lǐng)域著名學者 Hinton 在 2014受自然選擇和有性生殖過程啟發(fā)而提出。如圖 6，out 技術(shù)在深度神經(jīng)網(wǎng)絡的訓練過程中，按照一定的概率將部分神經(jīng)網(wǎng)絡單元暫時隱藏，此時相當于從原始的網(wǎng)絡中選取一個更簡潔的網(wǎng)絡進行訓練。在本文提出的深度神經(jīng)網(wǎng)絡模型訓練中，在第二個 ReLU 層后使用了一個 out 模塊，丟棄率取 0.2。

圖 6 Hinton 在論文中展示的 out 示意圖

3 模型的輸出結(jié)果分析

根據(jù)第 2 章中神經(jīng)網(wǎng)絡結(jié)構(gòu)和計算方法，模型輸出值為下個最小分析周期的 pH 和出口 SO2濃度。但在電廠實際運行中，脫硫率是運行人員判斷吸收塔實時脫硫能力、對控制策略做出調(diào)整的重要參考指標。目前主流的脫硫系統(tǒng)神經(jīng)網(wǎng)絡模型也大都以脫硫率預測結(jié)果來評價模型的性能。故本模型將預測的出口SO2濃度轉(zhuǎn)化，增加脫硫率指標，一則貼近現(xiàn)場需求，二則方便與其他模型預測性能進行比較。脫硫效率計算公式如下：

3.1 關(guān)于脫硫率和 pH 值的預測結(jié)果分析

圖 7，圖 8 展示了訓練后神經(jīng)網(wǎng)絡模型在測試集上的預測結(jié)果與實際值對比。測試數(shù)據(jù)集采用華北某2×350MW 電廠 2019 年 7 月 28 日到 30 日中按分鐘記錄的一段 DCS 監(jiān)控數(shù)據(jù)（共 4000 條）。從圖中展示的系統(tǒng)出口 SO2含量、脫硫率的 DCS 降噪處理后的實際值（藍線）和神經(jīng)網(wǎng)絡預測輸出結(jié)果（紅線）的對比可以看出，預測出口 SO2含量和脫硫率變化趨勢和實際值對應，模型預測效果良好。

圖 7 出口 SO2濃度降噪后實際值和預測值的對比

圖 8 出口脫硫率降噪后實際值和預測值的對比分析

此外，圖 9 展示了 DCS 降噪前的實際監(jiān)測值（藍線）和降噪后的實際值（綠線）以及神經(jīng)網(wǎng)絡的預測值（紅線）在測試集 2400 min 到 4000 min 的一段局部對比。圖中 3100~3200 min、3400~3500 min 及 3700 min~3900 min 內(nèi)，DCS 監(jiān)測值振蕩嚴重，而神經(jīng)網(wǎng)絡預測值平滑變動?？梢钥闯觯窠?jīng)網(wǎng)絡的預測結(jié)果能跟隨出口 SO2含量的變化趨勢，但不會跟隨監(jiān)測噪聲振蕩，表明模型的預處理手段和系數(shù)選取合適。

圖 9 出口 SO2濃度降噪后實際值和預測值的對比（局部放大）

DCS 對 pH 監(jiān)測時，也會發(fā)生同樣的隨機波動誤差，但除此之外，由于 pH 計管每隔 2h 沖洗一次，會導致測定點 p H 值瞬間升高，所以此時 DCS 測量的 pH 值數(shù)據(jù)不能很好地反應吸收塔漿液真實情況。不過，由于本文的數(shù)據(jù)預處理技術(shù)，神經(jīng)網(wǎng)絡模型對此刻的突變并不敏感。這表明在 DCS 監(jiān)測值因某種原因失真的情況下，模型預測值可以實現(xiàn)一定程度上的“軟測量”功能，輔助運行人員決策。圖 10 就展示了這種情形，圖中藍線為 DCS 實時反應的 pH 值，綠線為預處理降噪后的 p H 值，紅線為神經(jīng)網(wǎng)絡的預測輸出結(jié)果。

圖 10 漿液 pH 實際值和預測值的對比分析

3.2 關(guān)于脫硫率和 pH 值的預測結(jié)果指標評價

由前文 3.1 節(jié)所討論的，為降低 DCS 監(jiān)測數(shù)據(jù)中振蕩噪聲帶來的影響，在模型評價中使用經(jīng)過降噪處理，并以 3min 為最小分析周期取平均值合并的實際值作為真實值標準評價模型的預測誤差。本節(jié)采用了 3個指標：均方根誤差（Root Mean Square Error, RMSE）用于反映泛化誤差水平，平均百分誤差（Mean Absolute Percentage Error, MAPE）用于直觀體現(xiàn)預測值的偏差水平，誤差值的方差用于直觀反應模型的泛化能力，上述指標計算公式如下：

表 2 集中展示了漿液 pH 值、出口 SO2濃度和系統(tǒng)脫硫率的預測結(jié)果主要評價分析指標 RMSE、MAPE和誤差的方差。結(jié)果表明，模型預測能力很強，預測誤差很小。

表 2 神經(jīng)網(wǎng)絡輸出指標和其波動范圍

圖 11(a)、(b)為模型預測 p H 和脫硫率的誤差頻次分布圖，可以看出，預測結(jié)果的誤差分布接近均值為0 的正態(tài)分布，說明模型的預測效果較好。

圖 11 預測 pH 和脫硫率誤差的頻次分布直方圖

3.3 本模型與其他主流神經(jīng)網(wǎng)絡預測性能對比

神經(jīng)網(wǎng)絡的結(jié)構(gòu)種類有很多，為驗證本文使用深度神經(jīng)網(wǎng)絡模型預測脫硫率和 p H 具有良好效果，本節(jié)采用目前主要流行的深度 BP 神經(jīng)網(wǎng)絡、LSTM 神經(jīng)網(wǎng)絡模型與本文提出的人工深度神經(jīng)網(wǎng)絡的預測效果進行對比。對比指標選擇漿液 pH 值和系統(tǒng)脫硫率，最小分析時間周期均取 5min，對比的參數(shù)是 RMSE和 MAPE。對不同的模型，輸入?yún)?shù)采用同樣的數(shù)據(jù)處理和降噪手段。

本文對比采用的深度 BP 神經(jīng)參照文獻設計，為提高網(wǎng)絡性能，BP 隱含層數(shù)量增至 10 層，LSTM神經(jīng)網(wǎng)絡參照 FU J 等文獻模型的參數(shù)和架構(gòu)設計，因 FU J 在文獻中已經(jīng)對比 LSTM 神經(jīng)網(wǎng)絡相對 RNN網(wǎng)絡的優(yōu)勢，本文不再設計 RNN 對比。

圖 12 不同網(wǎng)絡預測 pH 和脫硫率誤差主要指標對比

如圖 12，本文提出的深度神經(jīng)網(wǎng)絡模型對于 pH 的預測值 RMSE=0.0947,優(yōu)于深度 BP 的 0.116、僅使用 LSTM 層模型的 0.1095；脫硫率方面，本文模型脫硫率預測值的 RMSR=0.1066，而深度 BP 的預測值RMSE=0.2781，幾乎是本文深度神經(jīng)網(wǎng)絡模型預測泛化誤差的兩倍，而僅使用 LSTM 的預測值RMSE=0.2351（FU J 等文獻中所求 RMSE=0.2909，可能因其數(shù)據(jù)未經(jīng)本文預處理手段，噪聲較大降低模型性能），僅僅略優(yōu)于深度 BP 的預測效果。上述結(jié)果說明，本文提出的深度神經(jīng)網(wǎng)絡模型在 5min 尺度上的預測結(jié)果要明顯優(yōu)于主流的 BP 和僅使用 LSTM 神經(jīng)網(wǎng)絡。

4 模型應用案例

4.1 模型對石灰石供漿密度對出口 SO2和脫硫率影響仿真

脫硫系統(tǒng)出于自身安全性的考慮，往往不能進行大范圍、多狀態(tài)試驗，導致探究脫硫系統(tǒng)內(nèi)各變化因素對系統(tǒng)的影響一般通過建立中試平臺實驗完成，但這種做法往往存在較大的誤差，不能很好反應脫硫系統(tǒng)真實情況。本文神經(jīng)網(wǎng)絡模型建立完成后，事實上提供了一種基于計算機仿真的工況診斷與優(yōu)化分析方法，并且因模型在訓練時使用的是特定電廠的數(shù)據(jù)，相對于一般的中小試實驗更有針對性。本節(jié)案例選取石灰石供漿密度對系統(tǒng)脫硫性能的影響，測試值位點選擇為系統(tǒng)各工況參數(shù)均值附近最大概率分布區(qū)間內(nèi)的中位數(shù)值。測試范圍為監(jiān)測情況下該工況參數(shù)變動范圍的 95%，測試因素變化時，其他工況參數(shù)條件不變。圖 13 為本文深度神經(jīng)網(wǎng)絡的仿真結(jié)果。圖中可見，石灰石供漿密度在達到 1260kg/m3左右時，對系統(tǒng)脫硫率的貢獻就非常有限，而增大到 1270 kg/m3 以上時，過高的石灰石漿液密度甚至抑制了塔內(nèi)反應，導致脫硫率下降，出口 SO2濃度上升。

圖 13 吸收塔石灰石漿液密度對出口脫硫率和 SO2濃度的影響

從化學傳質(zhì)和反應的角度可以解釋上述模型的仿真結(jié)果：一般情況下，石灰石漿液密度升高，脫硫率增大，是因密度較低時，CaCO3含量不足，化學反應不充分導致脫硫率低，同時 CaSO4密度小，也使石膏晶體不易生成長大。但是當漿液密度過大時，漿液中 CaCO3的濃度趨于飽和，增加的石灰石溶解并不充分，不能進一步提升脫硫率，并且因為生成的 CaSO4溶解度小，過飽和的 CaSO4可能覆蓋在碳酸鈣表面，阻滯反應。此外，由于吸收塔漿液密度和石灰石漿液密度具有關(guān)聯(lián)性，長期輸入過高密度的石灰石漿液可能間接提升吸收塔漿液密度，觸發(fā)石膏排出泵工作，導致未反應的 CaCO3也一并排出，造成脫硫劑浪費，并降低石膏品質(zhì)。

4.2 結(jié)合仿真結(jié)果對電廠實際工況的分析

圖 14 為該廠脫硫系統(tǒng) 2019 年 7 月 1 日到 31 日（共 44640 條）按 min 記錄的吸收塔石灰石漿液密度頻次分布圖。發(fā)現(xiàn)監(jiān)測的 2019 年 7 月工況下，超過 1260 kg/m3的時間段占比為 6.45%，其中超過 1270 kg/m3的時間段占比為 1.91%。該廠部分時間段存在石灰石供漿密度過大而對脫硫反應不利的情況。電廠應盡量減少供漿密度超過這一限值的情況。

圖 14 監(jiān)測時段吸收塔石灰石漿液密度頻次分布圖

由于神經(jīng)網(wǎng)絡模型屬于端對端模型，對于輸入和輸出之間容易測試影響，而對于其他中間過程則屬于“黑箱”，故本團隊同時也設計了基于化學機理的過程模型進行補充探討中間過程、使得診斷過程更加全面。通過該機理模型推理反應線索，認為過高的石灰石供漿漿液密度除了影響吸收塔內(nèi)的化學反應，還會導致吸收塔漿液密度過高、結(jié)垢傾向大。結(jié)合工程經(jīng)驗，還可能導致漿液循環(huán)泵葉輪磨損，在吸收塔壁、吸收塔底部和循環(huán)泵入口濾網(wǎng)結(jié)垢。綜上，應對電廠脫硫系統(tǒng)相關(guān)位置做結(jié)垢分析。

圖 15 吸收塔壁垢樣、健康石膏和循環(huán)泵濾網(wǎng)入口垢樣的 SEM 圖

圖 15 是 2020 年 3 月該電廠脫硫系統(tǒng)垢樣分析報告中，對電廠吸收塔塔壁、吸收塔底部和循環(huán)泵入口濾網(wǎng)垢樣的 SEM 圖。觀察到吸收塔壁垢樣（圖 15(a)）顆粒直徑主要在 20μm 以上，晶體生長痕跡明顯，且以片狀形式堆疊生長，結(jié)構(gòu)緊湊、晶體間空隙較小，表面附著直徑 2-3μm 左右雜質(zhì)顆粒。與健康生長石膏（圖 15(b)）相比，晶體結(jié)構(gòu)存在差異：健康生長石膏多為六棱柱結(jié)構(gòu)、晶體間有明顯空隙、表面無細小雜質(zhì)，推測差異的原因是漿液中 CaSO4過飽和，結(jié)晶在吸收塔塔壁可以生長的物質(zhì)表面。此外，吸收塔底部與循環(huán)泵入口濾網(wǎng)結(jié)垢樣品晶體（圖 15(c)）整體偏小，一般在 5-10μm 左右，且存在較多細碎顆粒。結(jié)合 XRD 結(jié)果，結(jié)垢樣品主要存在物質(zhì)為 CaSO4·2H2O。綜上所述，可以判斷該廠部分時段吸收塔漿液密度過大，CaSO4過飽和，在吸收塔壁、吸收塔底部和循環(huán)泵入口結(jié)垢。

綜上，本節(jié)先通過神經(jīng)網(wǎng)絡的仿真結(jié)果，得到了該電廠石灰石漿液密度過高、影響脫硫系統(tǒng)主要化學反應的參考邊界，再經(jīng)對該廠 7 月工況下石灰石漿液密度的分布情況分析，判斷有 6.45%的時間段該廠石灰石漿液密度偏離了最適范圍。隨后通過化學機理模型，判斷吸收塔內(nèi)存在結(jié)垢風險，之后進行 SEM、XRD 等化學分析也印證了這一結(jié)論。該診斷過程體現(xiàn)了基于數(shù)據(jù)建模、機理建模與實驗分析相互協(xié)調(diào)補充的脫硫系統(tǒng)智慧環(huán)保體系基本工作流程。

5 結(jié)論

本文設計了一種基于 LSTM 層、ReLU 層和全連接層按單元組合的深度神經(jīng)網(wǎng)絡模型，能夠?qū)崿F(xiàn)對脫硫塔出口 SO2濃度、漿液 pH 值和脫硫率進行預測。由于考慮了脫硫系統(tǒng)重要指標在時序上的慣性以及采用了合適的網(wǎng)絡架構(gòu)和數(shù)據(jù)處理技術(shù)，模型對系統(tǒng) pH 值、SO2排放量和脫硫率有很好的預測效果，可實現(xiàn)對未來數(shù)分鐘的 SO2排放濃度趨勢預判，為運行人員提前優(yōu)化運行，保證 SO2的排放處于合理范圍內(nèi)，降低其波動性創(chuàng)造了空間。

另一方面，由于模型預測結(jié)果對監(jiān)測噪聲和異常突變并不敏感，在因某些情況下 DCS 監(jiān)測數(shù)據(jù)失真時，模型的預測結(jié)果能起到一定的“軟測量”補充作用。

該模型還可以用于對脫硫系統(tǒng)進行計算機仿真實驗，探究各個重要參數(shù)變化對脫硫系統(tǒng)脫硫率、出口SO2濃度或 p H 的影響，與化學機理分析相配合，對脫硫系統(tǒng)進行工況診斷和運行優(yōu)化。