基于多参数的氨法烟气脱硫效率预测方法研究

伴随着国民经济的发展和生活水平的提高，能源的需求量日益增长，化石燃料燃烧所释放的so2对环境的影响也日趋严重。烟气脱硫就成为解决我国当下空气污染与经济发展之间矛盾的重要方法之一。因此，选择一套技术先进、牛.产适用、经济合理且效率高并利于经济循环发展和资源循环利用的烟气脱硫工艺至关重要。氨法烟气脱硫技术因其脱硫高效、兼顾脱氮和副产品为高价值硫酸铵化肥等优点，在化工领域得到广泛应用，也越来越受到能源与电力企业的青睐。 本课题针对氨法烟气脱硫技术工艺的研究问题，利用氨法脱硫系统中烟气量、氨浓度、液气比、喷淋浆液密度、吸收液浓度、进口烟气温度、耗氨量、循环泵流量、及喷淋液pH值、预洗涤塔pH值、浓缩槽pH值等主要运行参数为输入变量，脱硫效率为输出量，做如下工作：（1)分别建立了偏最小二乘回归模型(PLS),粒子群优化的BP神经网络模型(PSO-BP)、模拟退火优化的支持向量机模型（SA-SVM)以及遗传优化的最小二乘支持向量机预测模型(GALS-SVM)。（2)再分别选取国内某电厂的20组实际监测数据对上述模型进行校验，检测其预测精度。（3)对其中的GALS-SVM模型另选一组数据，连续改变其中某一个参数，进行多次预测，观察此参数与脱硫效率间的关系。重新选取训练样本，（4)用上述四种人工智能计算模型分别对脱硫效率进行预测，比较它们的预测精度。结果表明：（1)以上四种人工智能技术模型均能对氨法烟气脱硫效率进行较高精度的预测，且预测精度没有明显的差异。（2)GALS-SVM模型能够应用于氨法烟气脱硫技术工艺的研究。 综上所述，人工智能技术模型可以应用在氨法烟气脱硫技术工艺的研究上，为氨法烟气脱硫技术工艺研究和运行参数优化提供参考。