基于RBF神经网络的双碱法脱硫塔SO_2排放量预测方法

采用传统公式估算脱硫塔出口SO_2排放量的方法难以推广,现场实测又耗时耗财,对此,本文提出一种基于RBF神经网络的脱硫塔出口SO_2排放量预测方法,并以传统F-R修正的变梯度BP神经网络和以LM算法优化的BP神经网络(LM-BP神经网络)为对照模型,对双碱法脱硫塔在线监测数据进行预测。结果发现:RBF神经网络最大偏差和平均偏差均为0,优于变梯度BP神经网络和LM-BP神经网络。基于此,采用RBF神经网络作为预测模型,以平均烟气温度为101℃、平均脱硫塔清液pH=8.40、平均进塔清液流量与烟气流量之比(液气比)1.130 0 L/m3为输入参数,连续改变其中某一输入参数,分别预测其他参数对脱硫塔出口SO_2质量浓度折算值的影响。结果表明:脱硫塔出口SO_2质量浓度折算值随进口烟气温度升高而增大,在烟气温度高于110℃后出现波动;当烟气温度为101℃、液气比为1.130 0 L/m3时,最优脱硫塔清液pH为8.60;当温度为101℃、pH=8.40时,脱硫塔出口SO_2质量浓度折算值随液气比增大而减小。因此,基于RBF神经网络的脱硫塔出口SO_2排放量预测方法不仅能够有效预测双碱法脱硫塔出口SO_2排放量,而且能够对SO_2排放量进行优化控制。