1、一种锅炉燃烧优化的方法，其特征在于该方法的步骤包括：

步骤(1).采集锅炉运行参数及表征锅炉燃烧特征指标，建立实时数据 库；具体的锅炉运行参数通过锅炉实时运行数据库获取，或直接通过仪器设 备测量采集；

所述的锅炉运行参数包括负荷、各层的一次风速、各层的二次风速、炉 膛出口烟气含氧量、燃尽风速、给粉机给粉速度，燃煤工业分析指标；

所述的表征锅炉燃烧特征指标包括锅炉燃烧器边水冷壁的CO浓度、尾部 烟气的NO浓度和锅炉效率；

步骤(2).在实际运行负荷小于锅炉设计负荷的60％情况下采用支持向量 机集成建模方法建模，在实际运行负荷大于等于锅炉设计负荷的60％情况下 采用径向基神经网络集成建模方法建模，建立不同指标的锅炉燃烧模型；具 体建模方法如下：

用于建模样本的输入参数及表征锅炉燃烧特征指标的输出参数表示为 其中xi表示第i组作为输入数据的锅炉运行参数向量，yi表示第i组 作为输出参数的表征锅炉燃烧特征指标的参数，N为样本数量，以实际运行 数据为基础建立运行操作参数与锅炉各不同燃烧状态指标间的模型；

所述的支持向量机集成建模方法首先采用支持向量机方法建模，然后通 过集成算法将模型集成；支持向量机核函数选为径向基函数

$K(x_i,x_j)=\phi \left(x_i\right)·\phi \left(x_j\right)=\exp \left|\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\sigma }^2}\right|$φ(x)为映射函数，设所求的目标函数为：f(xi)＝w·φ(xi)+b，f(xi)为模型输出 的锅炉燃烧指标预测值，w为权重系数向量，b为截距；

根据$\min R(w,\xi ,\xi *)=\frac{1}{2}w·w+c\underset{i=1}{\overset{k}{\Sigma }}\xi +\xi *$ 在约束条件$\left\{\begin{array}{c}{y}_i-w·\phi \left(x_i\right)-b\le ϵ+{\xi }_i\\ w·\phi \left(x_i\right)+b-y_i\le ϵ+{\xi }_i^{*}\\ {\xi }_i\ge 0\\ {\xi }_i^{*}\ge 0\end{array}\right.i=1,···,N,$解得w、b

其中ξ*和ξi为引入的松弛因子，ξ* i≥0和ξi≥0，ε为允许拟合误差；

通过集成算法将模型集成的步骤如下：

a.原始训练数据初始化权值为$w_i^j=\frac{1}{N},i=\mathrm{1,2},...,N,$ j为权重更新次数，初始化 权重时j＝1，设定迭代次数k；

b.调用以上支持向量机算法对训练样本建模，获得一个模型Mj，计算Mj的 平均预测误差的平方值σj：${\sigma }_j=\underset{i=1}{\overset{N}{\Sigma }}{w}_i^j{(M_j\left(x_i\right)-y_i)}^2$c.更新原始训练数据权重 $w_i^{j+1}=\frac{w_i^j{(M_j\left(x_i\right)-y_i)}^2}{{\sigma }_j}$d.根据原始训练数据的新权值分布，在原训练集进行采样，采样条件为： $w_i^{j+1}\ge \beta ,$ β为设定的权重采样阀值，产生一个子支持向量机的训练集；

e.重复步骤b～d获得新的模型Mj+1和新的子训练集，直到k次迭代完成；

f.将获得的k个子支持向量机模型进行集成，模型权重为：${\alpha }_i=\frac{1}{{\sigma }_i\underset{i=1}{\overset{k}{\Sigma }}\frac{1}{{\sigma }_i}},$ 最终 获得的集成模型为：$M_{\mathrm{final}}=\underset{j=1}{\overset{k}{\Sigma }}{\alpha }_j{M}_j;$所述的径向基神经网络集成建模方法首先采用径向基神经网络建模方法 建模，对于n个隐节点的径向机神经网络其输出为：

$y=\underset{i=1}{\overset{n}{\Sigma }}{w}_i\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{2{\rho }_i^2})$ wi为权重系数，x为m维输入向量，ci为第i个基 函数的中心，ρi为函数的基宽度参数wi、x、ci、ρi由目标函数$\min J=\underset{i=1}{\overset{N}{\Sigma }}{({\tilde{y}}_i-y_i)}^2$ 确定，其中为xi的神经网络 输出值，yi为xi对应的实际值；定义粒子群算法初始群体z向量的各维分量， 分别为隐节点个数、基函数中心、函数的基宽度和权重系数，当J达到了最 小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中 心、函数的基宽度和权重系数，从而获得径向机神经网络模型；然后通过集 成算法将模型集成，具体步骤如下：g.原始训练数据初始化权值为${\lambda }_i^j=\frac{1}{N},i=\mathrm{1,2},...,N,$ j为权重更新次数，初始化 权重时j＝1，设定迭代次数k；

h.调用以上径向基神经网络算法对训练样本建模，获得一个模型Mj，计算 Mj的平均预测误差的平方值：${\sigma }_j=\underset{i=1}{\overset{N}{\Sigma }}{\lambda }_i^j{(M_j\left(x_i\right)-y_i)}^2$i.更新原始训练数据权重：${\lambda }_i^{j+1}=\frac{{\lambda }_i^j{(M_j\left(x_i\right)-y_i)}^2}{{\sigma }_j}$j.根据原始训练数据的新权值分布，在原训练集进行采样，采样条件为： ${\lambda }_i^{j+1}\ge \beta ,$ β为设定的权重采样阀值，产生一个子径向基神经网络的训练集；

k.重复步骤h～j获得新的模型Mj+1和新的子训练集，直到k次迭代完成；

1.将获得的k个子径向基神经网络模型进行集成，模型权重为：${\alpha }_i=\frac{1}{{\sigma }_i\underset{i=1}{\overset{k}{\Sigma }}\frac{1}{{\sigma }_i}},$ 最终获得的集成模型为：$M_{\mathrm{final}}=\underset{j=1}{\overset{k}{\Sigma }}{\alpha }_j{M}_j;$步骤(3).利用粒子群优化算法结合所建模型，针对不同对锅炉燃烧指标 或指标组合进行锅炉燃烧参数配置的优化，具体步骤如下：

m.定义粒子群位置向量x的各维分量分别为锅炉运行参数；

n.设定粒子群的搜索目标和迭代次数，搜索目标，包括单一目标：锅炉效率 最高，NOx排放最低或高温腐蚀最慢；复合目标：以上两个或三个燃烧指标 的组合，组合方式是将各指标的变化折算为经济指标变化，再将经济指标变 化求总合；

o.根据实际锅炉的设计和运行要求设定各参数的寻优范围，并初始化化位置 向量x，然后根据上一步设定的搜索目标，用粒子群算法进行迭代计算，搜 索粒子群在参数向量空间内的最优位置；

p.当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应 最优的位置向量，即获得最优的锅炉运行可调操作参数组合。