1.一种燃煤电厂烟气脱硫过程净烟气SO2浓度预测方法，其特征在于，所述方法包括：步骤1，获取燃煤电厂烟气脱硫工艺过程中的过程变量和目标变量的历史数据，作为训练样本；其中，目标变量为二级吸收塔出口净烟气SO2浓度，过程变量为燃煤电厂烟气脱硫工艺过程中的其他参数；

步骤2，构建基于时序注意力的初始GRU网络模型，对GRU网络隐含层各历史时刻进行重要性分析，并赋予不同的影响权重；利用所述训练样本进行超参数寻优训练，得到基于时序注意力的初始GRU网络模型TAM‑GRU；

步骤3，通过MIV算法计算训练样本中各过程变量对目标变量的平均影响值，获得不同过程变量的注意力权重向量；

步骤4，对步骤3获得的不同过程变量的注意力权重向量进行系数转换后嵌入NNG算法约束，得到带变量注意力的NNG算法模型；

步骤5，利用步骤4得到的带变量注意力的NNG算法模型对步骤2得到的基于时序注意力的初始GRU网络模型TAM‑GRU进行稀疏优化，得到基于注意力绞杀与GRU网络的AMGE‑GRU预测模型；

步骤6，获取燃煤电厂烟气脱硫工艺过程中的过程变量的实时数据，输入所述AMGE‑GRU预测模型，得到燃煤发电烟气脱硫过程SO2含量动态预测值；

假设步骤2中基于时序注意力的初始GRU网络模型TAM‑GRU为：y′t＝g(Whyh′t+by)                           (16)其中g(·)为初始GRU网络全连接层激活函数，Why和by分别为对应的权重矩阵和偏置；

h′t为采用时序注意力机制优化后的网络隐含状态输出，y′t为模型t时刻对应的输出，即采用基于时序注意力的初始GRU网络模型TAM‑GRU预测得到的目标变量值；

假设步骤1获取到的历史数据中过程变量和目标变量分别为 和 其中n为样本总数，p为过程变量维数，过程变量维数表示燃煤电厂烟气脱硫工艺过程中的其他参数的个数；

T

将训练样本中的每个过程变量Xi＝[x1,x2,...,xn] 在原始输入基础分别增加和减少

10％，得到两个新的过程变量空间；将新构造的两个过程变量空间依次输入基于时序注意力的初始GRU网络模型TAM‑GRU，即可获得变化样本中过程变量Xi指标变化时与之对应的两个目标向量，以上标(1)和(2)进行区分：(1) (2)

两者差值即为过程变量Xi变化后对应的影响变化值向量IVi＝Yi ‑Yi ，则n次输出值的平均影响值向量为：不同过程变量的注意力权重向量βi为：

其中，j表示对应第j个样本数据，i表示对应第i个过程变量；

所述步骤4包括：

利用公式(17)所示的映射函数对各过程向量的注意力权重向量进行系数转换：将转换的注意力权重向量μi嵌入NNG算法约束，并将NNG算法的收缩系数λi约束限制为[0,1]范围内，得到带变量注意力的NNG算法模型：其中，各过程变量对应的注意力权重向量均值 ⊙表示为哈达玛积运算，s为给定T可调的绞杀超参数，收缩系数λ＝[λ1,λ2,...,λp]，β＝[β1,β2,...,βp]为最小二乘系数估*计；y表示目标变量，λ(s)表示绞杀超参数s对应的最优收缩系数；

所述步骤5包括：

采用带变量注意力的NNG算法对TAM‑GRU网络进行稀疏优化，通过将收缩系数λ＝[λ1,λ2,...,λp]嵌入TAM‑GRU网络输入权重矩阵，建立新的神经网络表达式：其中， 表示经NNG算法优化后的TAM‑GRU网络模型输出，TAM‑GRU网络新的隐含状态输出为：各控制门及候选隐含状态输出更新为：

则基于注意力绞杀与GRU网络的AMGE‑GRU预测模型的损失函数为：其中，xt和ht‑1分别表示为当前时刻输入和上一时刻隐含状态输出；rt和zt分别为当前时刻重置门和更新门输出，其激活函数σ(·)为sigmoid函数； 为当前时刻候选隐含状态输出，其激活函数tanh(·)为双曲正切函数；Wr、Wz和 为网络输入权重向量，Ur、Uz和 为隐含权重向量，br、bz和 为偏置向量，当前时刻隐含状态ht表示为：*

求得最优收缩系数λ后，将其带入式(19)即可获得一组新的权重矩阵：其中， 当 时，过程变量xi即被删除，各控制门及候选隐含状态输出更新为：

优化后的模型输出为：

其中， 表示目标变量的最终预测值。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中采用时序注意力机制优化后的网络隐含状态输出h′t为：h′t＝tanh(Whht+Wcvt)                            (10)其中，Wh、Wc分别为对应的权重矩阵，vt为中间向量，表达式为：其中，hi表示对应于输入序列的隐藏层的状态值，αi为历史隐含状态对当前输入的注意力权重，表达式为：αi＝sigmoid(f(hi,ht))                            (8)f(·)为采用向量点积的评分函数，表达式为

T

f(hi,ht)＝(hi) Waht                               (7)其中，Wa表示为注意力层权重。

3.根据权利要求2所述的方法，其特征在于，所述步骤1中获取燃煤电厂烟气脱硫工艺过程中的过程变量和目标变量的历史数据，作为训练样本，包括：获取燃煤电厂烟气脱硫工艺过程中的52个过程变量和1个目标变量的历史数据，并进行采样，采样周期为5min，采样时间为31天。

4.根据权利要求3所述的方法，其特征在于，所述步骤1还包括，对采样后的历史数据进行预处理，包括缺失值、异常值处理及数据标准化。

5.根据权利要求3所述的方法，其特征在于，所述步骤1还包括，对训练样本进行划分，前80％作为训练数据集，剩余20％作为测试数据集。

6.一种燃煤发电烟气脱硫过程SO2含量动态控制方法，其特征在于，所述控制方法采样权利要求1‑5任一所述的预测方法获得燃煤发电烟气脱硫过程SO2含量实时预测值，对应调整燃煤发电烟气脱硫过程中过程变量使得SO2含量符合预定标准。