马双忱，林宸雨，周权，吴忠胜，刘琦，陈文通，樊帅军，要亚坤，马采妮

（1 华北电力大学(保定)环境科学与工程系，河北保定071003；2 深能保定发电有限公司，河北保定072150）

当前，国家正加快推进以5G、人工智能、工业互联网、物联网为代表的新型基础设施建设（新基建），电力行业的智能化建设也蓬勃发展。国内大型火力发电厂很早就实现了厂级DCS 数据监控，历史运行数据丰富，为实现数据驱动的神经网络建模提供了有利条件。

由于脱硫系统受各种复杂工况的影响，且具有大惯性、非线性等特点[1]，化学机理建模只能较粗略地对脱硫系统重要指标进行预测。当前化学机理建模的手段主要是通过传质理论、化学动力学建立系列微分方程求解[2-4]，或通过离子平衡规律、电中性原理建立守恒方程求解[5]。化学机理建模的优势在于可以计算和判断各主要化学物质的浓度和存在形式，并可以对物质的空间分布进行分析。但是，化学机理建模也面临因计算代价大从而过度简化、无法考虑复杂工况等问题，导致预测效果较差，模型迁移能力不强。

随着人工智能技术的高速发展，神经网络技术逐渐被应用于对脱硫系统进行建模预测[6]。早期技术主要是基于简单的反向传播（back propagation,BP）设计神经网络[7-10]，但因BP网络结构简单，存在一些问题。苏翔鹏等[11-12]采用了基于径向基函数（radical basis function，RBF）的改进模型，改善了BP 网络易陷入局部最小值的缺陷；李军红等[13]利用的广义回归神经网络（generalized regression neural network，GRNN）是基于RBF 网络改进的神经网络模型，针对样本较少的情况，预测效果有所改善。……