1.一种变负荷工况下火电厂锅炉NOx排放控制方法，其特征在于，包括：建立锅炉负荷预测模型和NOx排放预测模型；

结合锅炉负荷预测模型和NOx排放预测模型的预测结果，以满足锅炉负荷要求且NOx的排放量最小为优化目标，求解火电厂锅炉最优控制量；

将火电厂锅炉最优控制量下发到火电厂锅炉控制其运行。

2.根据权利要求1所述的方法，其特征在于，所述建立锅炉负荷预测模型和NOx排放预测模型，包括：获取火电厂锅炉工作的历史数据；

将最小二乘支持向量机模型的正则化参数值和核函数参数值作为粒子，采用差分进化算法进行优化得到最小二乘支持向量机模型，作为锅炉负荷预测模型或NOx排放预测模型。

3.根据权利要求2所述的方法，其特征在于，所述火电厂锅炉工作的历史数据，包括：火电厂锅炉控制量、炉膛压力、各磨煤机入口一次风温、前包墙出口烟气含氧量、后包墙出口烟气含氧量和历史时刻的锅炉负荷量、历史时刻的NOx排放量；

其中的火电厂锅炉控制量包括：锅炉总燃料量、锅炉主给水流量、各磨煤机入口风量、总一次风量、总二次风量；

其中的锅炉总燃料量、锅炉主给水流量、各磨煤机入口风量、总一次风量、总二次风量和历史时刻的锅炉负荷量，作为锅炉负荷预测的历史数据；

其中的锅炉总燃料量、锅炉主给水流量、各磨煤机入口风量、总一次风量、总二次风量、炉膛压力、各磨煤机入口一次风温、前包墙出口烟气含氧量、后包墙出口烟气含氧量和历史时刻的NOx排放量，作为NOx排放预测的历史数据。

4.根据权利要求2所述的方法，其特征在于，所述将最小二乘支持向量机模型的正则化参数值和核函数参数值作为粒子，采用差分进化算法进行优化得到最小二乘支持向量机模型，作为锅炉负荷预测模型或NOx排放预测模型，具体包括：初始化差分进化算法的参数；

针对每个粒子对应的正则化参数值、核函数参数值和火电厂锅炉工作的历史数据，构建最小二乘支持向量机模型，得到多个最小二乘支持向量机模型；

计算每个粒子所构建的最小二乘支持向量机模型的平均绝对误差值，作为每个粒子的适应函数值，根据适应函数值更新个体历史最优解以及全局最优解；

判断是否达到最大迭代次数：若是，则输出最小二乘支持向量机模型的参数以及正则化参数和核函数参数，确定最终的锅炉负荷预测模型或NOx排放预测模型；否则更新粒子，进行下一次迭代更新。

5.根据权利要求1所述的方法，其特征在于，所述结合锅炉负荷预测模型和NOx排放预测模型的预测结果，以满足锅炉负荷要求且NOx的排放量最小为优化目标，求解火电厂锅炉最优控制量，具体包括：获取锅炉负荷要求、NOx排放要求以及炉膛压力、各磨煤机入口一次风温、前包墙出口烟气含氧量、后包墙出口烟气含氧量；

将火电厂锅炉控制量作为粒子，以满足锅炉负荷要求且NOx的排放量最小为优化目标，结合锅炉负荷预测模型和NOx排放预测模型的预测结果，采用差分进化算法进行优化得到火电厂锅炉最优控制量。

6.根据权利要求5所述的方法，其特征在于，所述将火电厂锅炉控制量作为粒子，以满足锅炉负荷要求且NOx的排放量最小为优化目标，结合锅炉负荷预测模型和NOx排放预测模型的预测结果，采用差分进化算法进行优化得到火电厂锅炉最优控制量，具体包括：初始化差分进化算法参数；

利用锅炉负荷预测模型计算每个粒子对应的锅炉负荷；

若计算出的锅炉负荷达到锅炉负荷要求，则利用NOx排放预测模型计算粒子对应的NOx排放量预测值；同时计算粒子的适应度函数值；

若计算出的锅炉负荷未达到锅炉负荷要求，则将当前粒子的适应函数值赋最大值；

确定适应度函数值最小的粒子，并更新粒子的个体最优解和粒子群的全局最优解；

若粒子群的全局最优解所对应的NOx排放量满足NOx排放要求，则当前粒子群的全局最优解对应的火电厂锅炉控制量即火电厂锅炉最优控制量，否则，判断是否达到最大迭代次数：若达到最大迭代次数，则当前粒子群的全局最优解对应的火电厂锅炉控制量即火电厂锅炉最优控制量；

若未达到最大迭代次数，则更新粒子，进行下一次迭代更新。

7.根据权利要求1所述的方法，其特征在于，还包括：

在火电厂锅炉在最优控制量下运行时实时采集火电厂锅炉工作数据；

计算当前时刻的锅炉负荷量与锅炉负荷量预测值之间的误差、当前时刻的NOx排放量与NOx排放量预测值之间的误差；

当连续l个时刻的锅炉负荷量预测值或NOx排放量预测值大于相应的指定误差阈值时，利用当前工作数据重新建立锅炉负荷预测模型或NOx排放预测模型。