【Objetivo】 Ante la gran fluctuación en las emisiones de SO₂ a la salida y los altos costos de desulfuración en el sistema húmedo de doble ciclo de torre única de centrales térmicas de carbón, se propone una estrategia de optimización híbrida basada en un modelo predictivo y un algoritmo de optimización multiobjetivo, con el fin de lograr una operación que cumpla con estándares ambientales y sea económicamente eficiente.【Método】 Primero, se construye un modelo predictivo que combina Transformer y una red neuronal bidireccional de memoria a largo plazo (BiLSTM), utilizando de forma innovadora un algoritmo mejorado de milano negro para optimizar los hiperparámetros clave del modelo, superando las limitaciones del ajuste empírico y mejorando la precisión en la predicción de la concentración másica de SO₂ en la salida; en segundo lugar, se establece un modelo de optimización multiobjetivo que considera tanto la concentración másica de SO₂ en la salida como el costo de desulfuración del sistema, y se resuelve usando un algoritmo NSGA-Ⅱ mejorado para obtener los valores de las variables controlables. 【Resultados】 Los resultados experimentales muestran que el modelo predictivo Transformer-BiLSTM optimizado con el algoritmo mejorado de milano negro supera a los modelos BiLSTM, CNN-BiLSTM y Transformer-BiLSTM en métricas de error cuadrático medio, error absoluto medio y error absoluto porcentual medio; al mismo tiempo, a través de la optimización con el algoritmo NSGA-Ⅱ mejorado, el sistema logró soluciones de compromiso pareto que equilibran la protección ambiental y la economía.【Conclusión】 Esta estrategia híbrida de optimización reduce eficazmente la concentración másica de SO₂ de salida y los costos de desulfuración, validando la efectividad del método propuesto para lograr la protección ambiental y la operación económica.

torre única doble ciclo;Transformer;red neuronal bidireccional de memoria a largo plazo;optimización multiobjetivo;algoritmo NSGA-Ⅱ mejorado