Die Verwendung herkömmlicher Formeln zur Schätzung der SO_2-Emissionen am Ausgang des Entschwefelungsturms ist schwierig zu verallgemeinern, und vor Ort durchgeführte Messungen sind zeitaufwändig und kostspielig. In diesem Artikel wird eine Methode zur Vorhersage der SO_2-Emissionen am Ausgang des Entschwefelungsturms auf der Grundlage eines RBF-Neuralen Netzes vorgeschlagen. Dabei werden der herkömmliche F-R-korrigierte Gradienten-BP-Neuronale Netz und das mittels des LM-Algorithmus optimierte BP-Neuronale Netz (LM-BP-Neuronale Netz) als Kontrollmodelle verwendet, um die Vorhersage von Online-Überwachungsdaten des Entschwefelungsturms mittels des Van-Laars-Verfahrens zu testen. Die Ergebnisse zeigen, dass das RBF-Neuronale Netz eine maximale und durchschnittliche Abweichung von 0 aufweist, was besser ist als das Gradienten-BP-Neuronale Netz und das LM-BP-Neuronale Netz. Auf dieser Grundlage wurde das RBF-Neuronale Netz als Vorhersagemodell verwendet, um anhand der durchschnittlichen Rauchgastemperatur von 101°C, des durchschnittlichen pH-Werts von Waschlauge im Entschwefelungsturm von 8,4 und des durchschnittlichen Verhältnisses von Frischwasser zu Rauchgas (Flüssiggas-Verhältnis) von 1.130 0 l/m3 als Eingangsparameter kontinuierlich zu ändern und die Auswirkungen auf die SO_2-Massenkonzentrationsäquivalenz am Ausgang des Entschwefelungsturms vorherzusagen. Die Ergebnisse zeigen, dass die SO_2-Massenkonzentrationsäquivalenz am Ausgang des Entschwefelungsturms mit steigender Rauchgastemperatur zunimmt und nach 110°C zu schwanken beginnt; bei einer Rauchgastemperatur von 101°C und einem Flüssiggas-Verhältnis von 1.130 0 l/m3 ist der optimale pH-Wert der Waschlauge im Entschwefelungsturm 8,60; bei einer Temperatur von 101°C und einem pH-Wert von 8,40 nimmt die SO_2-Massenkonzentrationsäquivalenz am Ausgang des Entschwefelungsturms mit zunehmendem Flüssiggas-Verhältnis ab. Aufgrund dessen ist die Vorhersagemethode der SO_2-Emissionen am Ausgang des Entschwefelungsturms auf der Basis von RBF-Neuronalen Netzen nicht nur in der Lage, die SO_2-Emissionen am Ausgang des Entschwefelungsturms mittels des Van-Laars-Verfahrens effektiv vorherzusagen, sondern auch, die SO_2-Emissionen zu optimieren und zu kontrollieren.

Entschwefelungsturm; Van-Laars-Verfahren; RBF-Neuronales Netz; Gradienten-BP-Neuronales Netz; LM-BP-Neuronales Netz; SO2-Emissionen; Vorhersagemethode; Optimierung und Kontrolle