1.一种燃煤锅炉燃烧效率在线测量方法，其特征在于，包括以下步骤：步骤1：通过火电厂厂级监控信息系统获取锅炉生产过程的过程参数，并根据机理模型计算相应时刻锅炉燃烧效率，得到锅炉生产过程的数据集合DATA＝{Xk，Tk|k＝1，...，K}，其n

中，Xk∈R为第k个样本中的过程参数，Tk为第k个样本的锅炉燃烧效率，K为数据集合中样本数量，n为过程参数维数；

步骤2：采用转换函数对锅炉生产过程的数据集合的过程参数进行标准化处理，得到标n

准化后的数据集合SDATA＝{Sk，Tk|k＝1，...，K}，其中，Sk∈R为第k个样本中的标准化过程参数；

步骤3：采用Boosted tree方法确定标准化后的过程参数的重要性，提取重要性大于重要性阈值γ的过程参数，得到特征提取后的标准化过程参数集合CDATA＝{Ck，Tk|k＝1，...，K}，其中， 为特征选取后的第k个样本中的标准化过程参数，nc为特征提取后的标准化过程参数的维数；

步骤4：采用K‑邻近值分类器对特征提取后的标准化过程参数集合CDATA进行工况分类，得到各类工况数据集LDATAi＝{Lp(i)，Tp(i)|p(i)＝1，...，P(i)}，并将各类工况数据集LDATAi划分为训练数据集xLDATAi＝{Lh(i)，Th(i)|h(i)＝1，...，H(i)}和测试数据集cLDATAi＝{Le(i)，Te(i)|e(i)＝1，...，E(i)}；

其中，i＝1，2，...，I，I为工况数量， 为第i类工况第p个样本中的过程参数，Tp(i)为第i类工况第p个样本中的锅炉燃烧效率，P(i)为第i类工况数据集合样本数量，h(i)为第i类工况训练数据集中的第h个样本编号，H(i)为第i类工况训练数据集合样本数量，e(i)为第i类工况测试数据集中的第e个样本编号，E(i)为第i类工况测试数据集合样本数量； 为训练数据集中第i类工况第h个样本中的过程参数，Th(i)为训练数据集中第i类工况第h个样本中的锅炉燃烧效率， 为测试数据集中第i类工况第e个样本中的过程参数，Te(i)为测试数据集中第i类工况第e个样本中的锅炉燃烧效率；

步骤5：针对各类工况数据集：将各类工况训练数据集xLDATAi作为输入，建立各类工况的LS‑SVM测量模型，采用差分进化算法对各类工况的LS‑SVM测量模型进行优化，采用测试数据集cLDATAi对优化的LS‑SVM测量模型进行测试，得到最终优化后的各类工况的锅炉燃烧效率的LS‑SVM测量模型；

步骤6：保存优化后的各类工况的锅炉燃烧效率的LS‑SVM测量模型；

步骤7：实时读取锅炉生产过程的过程参数的在线测量值，采用各类工况的锅炉燃烧效率的LS‑SVM测量模型对燃煤锅炉燃烧效率进行测量；

步骤7‑1：实时读取锅炉生产过程的过程参数的在线测量值，采用转换函数对锅炉生产过程的过程参数进行标准化处理，得到标准化后的过程参数步骤7‑2：根据标准化后的过程参数 与各类工况的聚类中心距离进行归类，输入确定工况类别的优化后的锅炉燃烧效率的LS‑SVM测量模型中，获取锅炉燃烧效率的在线测量值。

2.根据权利要求1所述的燃煤锅炉燃烧效率在线测量方法，其特征在于，所述采用转换函数对锅炉生产过程的数据集合的过程参数进行标准化处理的计算公式如下所示：

3.根据权利要求1所述的燃煤锅炉燃烧效率在线测量方法，其特征在于，所述锅炉生产过程的过程参数包括：单位时刻的省煤器给水温度、过热器壁温、炉膛烟气压力、主蒸汽压力、主蒸汽温度、再热器壁温、再热器蒸汽压力、再热器蒸汽温度、炉膛烟气温度、高压给水温度、高压给水压力、过热器减温器蒸汽温度、发电机有功功率、一次风出口流量、一次风风温、二次风风温、二次风入口流量、过热器减温器入口流量、给水流量、主蒸汽流量、总风量、给氧量、给煤量、二次风门位置反馈。

4.根据权利要求1所述的燃煤锅炉燃烧效率在线测量方法，其特征在于，所述针对各类工况数据集：将各类工况训练数据集xLDATAi作为输入，建立各类工况的LS‑SVM测量模型，采用差分进化算法对各类工况的LS‑SVM测量模型进行优化，采用测试数据集cLDATAi对优化的LS‑SVM测量模型进行测试，得到最终优化后的各类工况的锅炉燃烧效率的LS‑SVM测量模型，以第i类工况为例，按照以下步骤执行：A：初始化差分进化算法参数；

所述差分进化算法参数，包括：群体大小Nα，个体维数D，最大迭代代数G，变异因子F，交叉概率CR∈[0，1]，初始化的差分进化算法种群Lα，0，其中，α＝1，2，...Nα；

B：根据种群中每个个体信息获得LS‑SVM参数值，得到Nα组LS‑SVM参数值；

C：将径向基函数作为LS‑SVM核函数，针对种群中每个个体对应的LS‑SVM参数值以及第i类工况的训练数据集建立的LS‑SVM测量模型，训练得到Nα个LS‑SVM测量模型；

所述第i类工况的LS‑SVM模型如下所示：其中，h(i)＝1，2，...，H(i)，H(i)为第i类工况的训练数据集中训练样本数目，L(i)为第i类工况需要计算锅炉燃烧效率的新样本数据， 为对应输入第i类工况的数据L(i)的LS‑SVM测量模型输出值，ah(i)、b(i)为第i类工况的LS‑SVM测量模型参数，Lh(i)为第i类工况的训练数据集中第h个训练样本的过程参数，K(L(i)，Lh(i))为第i类工况的LS‑SVM测量模型的核函数；

所述第i类工况的LS‑SVM测量模型的核函数K(L(i)，Lh(i))如下所示：2

其中，σ(i) 为第i类工况的LS‑SVM核函数的宽度；

D：将第i类工况的测试数据输入种群中每个个体建立的第i类工况的LS‑SVM模型，计算种群中每个个体建立的第i类工况的LS‑SVM模型的均方根误差值εα，即种群中每个个体的适应函数值fα＝εα；

所述种群中每个个体建立的第i类工况的LS‑SVM模型的均方根误差值εα的计算公式如下所示：

其中， 为采用第α个个体对应测量模型计算得到的第i类工况测试数据集中的第e个样本中的过程参数的LS‑SVM测量模型输出值；

E：判断当前迭代次数g是否达到最大迭代代数G，若是，则迭代结束，获取最优LS‑SVM参数以及模型参数ah(i)、b(i)，得到最终优化后的第i类工况的锅炉燃烧效率的LS‑SVM测量模型，执行步骤6，否则，执行F；

F：更新第g次迭代种群，令迭代代数g＝g+1，返回B。

5.根据权利要求4所述的燃煤锅炉燃烧效率在线测量方法，其特征在于，所述F包括以下步骤：

F‑1：针对当前迭代的第α个个体Lα，g，随机选取当前种群中的三个个体 和将 和 的差值变异后与个体 进行向量合成，得到第g次迭代的变异个体Vα，g，其中，z1，z2，z3∈[1，Nα]；

所述将 和 的差值变异后与个体 进行向量合成，得到第g次迭代的变异个体Vα，g的计算公式如下所示：

F‑2：将第g次迭代的变异个体Vα，g和第g次迭代的第α个个体Lα，g进行交叉操作，生成第g次迭代的新的个体Uα，g；

所述生成第g次迭代的新的个体的第j个分量 的公式如下所示：其中，j＝1，...，D，randj是[0，1]区间内的随机数，randnα∈[1，D]的随机整数；

F‑3：确定第g次迭代的新的个体Uα，g与第g次迭代的第α个个体Lα，g的适应度函数值，将适应度函数值小的个体作为第g+1次迭代种群个体Lα，g+1，即为下一代个体；

所述第g+1次迭代种群个体Lα，g+1的计算公式如下所示：其中，f(*)为对应个体适应度函数值；

F‑4：令迭代代数g＝g+1，返回B。