活性炭(焦)作为一种可循环再生、重复利用吸附剂,近年来在烟气脱硫脱硝中的应用受到越来越广泛的关注,其核心部分为活性炭对烟气中化合污染物、尘粒物质的吸附和解析,与之相关的吸附塔的控制过程具有典型的非线性、时变性和大惯性特征,传统的PID控制算法难以达到理想的控制效果。因此,研究智能算法在活性炭干法协同脱硫脱硝控制系统中的应用对控制效果的改善提高具有重要意义。本文在分析了活性炭脱硫脱硝吸附塔耦合特性的基础上,提出了使用神经网络PID的解耦控制方法,通过仿真分析,并验证了算法的有效性。本文深入了解了活性炭干法脱硫脱硝的工艺流程、系统结构和净化机理,通过对过程中的变量参数进行分析,确定了吸附塔控制中主要的干扰变量和内部耦合关系,并基于现场调试数通过递推最小二乘法建立辨识模型,在此基础上,进行控制算法的设计。首先使用常规PID算法进行单闭环模式的控制仿真,将控制结构分离为两个单独的控制回路,并使用差分进化算法对PID参数进行优化。根据辨识模型设计前馈解耦环节,对使用常规PID控制时有解耦环节和无解耦环节时的控制曲线进行分析,并分析了常规控制算法在脱硫脱硝控制中的局限性。然后提出分别使用RBF在线辨识的自校正PID多变量解耦算法和神经元PID多变量控制方法。基于RBF模型辨识的自校正PID算法,由具有自学习和自适应能力的单神经元构成基本的自适应控制器NNC,同时通过基于预测输出误差的最小均方函数(LMS)进行权值和和偏置调整动态RBF神经网络对对象模型进行在线辨识,提高控制器的自适应能力。将其推广到多变量控制模式,通过神经网络的自学习完成吸附塔的多变量解耦控制。而使用PID神经元进行多变量控制的控制器结构简单、算法易实现,无需特定的解耦环节和辨识环节,具有良好的自适应能力。最后,阐述了控制系统的硬件网络结构,并基于符合IEC61131-3规范的PLC编程语言——结构化文本(SCL)语言将所设计的基于RBF模型辨识的自校正PID解耦算法进行了编程实现,并通过仿真验证了算法的控制效果和算法功能块的完整性,以证实算法是有效可实施的,通过将算法代码封装为FB功能块或库模板文件,可进行多次调用,也可较为容易在不同品牌的PLC、PAC或DCS等符合IEC61131-3规范的软硬件系统上进行算法移植和应用,论文设计的算法具有较高的应用和推广价值。