王 琦，赵 静，胡 磊，雷彦云，王鹏程

（1.山西大学 自动化与软件学院，太原030013；2.山西大学 数学科学学院，太原030006；3.山西河坡发电有限责任公司，阳泉045011）

当前我国CFB 机组大多采用炉内干法固硫+炉外烟气石灰石-石膏湿法脱硫的手段来脱除SO2。但是这种方式惯性大、实时性较差，在负荷、煤质等参数变动，或运行参数调整出现误差时，炉内脱硫效果会变差，那么脱硫塔入口SO2浓度就会越限，以致SO2排放超标[1-2]。为达到超低排放水平，那么脱硫系统的控制精度将会要求更高。脱硫效率的影响因子多，同时相互具关联性，则难于实时监测，且测量结果准确度低[3-4]。脱硫设施是一个动态非线性系统，具有大迟滞、大惯性特点，所以对烟气中SO2浓度的准确预测，对于脱硫系统控制有重要意义。

目前研究人员采用的SO2浓度预测方案多为回归分析、BP 神经网络、支持向量机等算法的独立或组合应用。回归分析对历史数据的要求精度更高，同时预测的误差偏大；BP 神经网络方法在SO2浓度预测中虽有一定效果，但收敛速度慢且收敛困难，泛化能力较差，训练极易过拟合，一般引入其它优化算法来优化其参数达到提高预测精度的目的；还有用支持向量机做参数寻优的设计[5]，但这些方法都没把影响脱硫系统自身的时序惯性加入到算法中。因此对于脱硫系统非线性、时滞惯性大的特点，采用循环神经网络（recurrent neural network，RNN）解决这种时序方面的问题[6-7]。本文结合山西某电厂运行数据的样本情况及特点，提出了一种基于机器学习的LSTM 神经网络SO2浓度预测方案，对大数据下的样本进行分析并建模，因为同时把脱硫系统时序上的惯性考虑加入，得到了较理想的预测效果。……