1.一种发电锅炉燃煤碳氧化因子在线软测量方法，其特征在于，所述方法包括如下步骤：第一步，在发电锅炉系统中选取15个测量获得软测量模型输入向量与输出向量，构建实验样本数据，15个发电锅炉的测点分为5类；

第1类是燃煤煤种性质参数，包括测量点1‑收到基全水分Mar、2‑收到基灰分Aar、3‑收到基挥发分Var、4‑收到基固定碳FCar、5‑收到基低位发热量Qar；

第2类是锅炉性质参数：6‑磨煤机给煤量P1，7‑二次风总风压P2，8‑一次风压M1，13‑锅炉出口烟道气氧气的体积百分含量X1，14‑除尘系统平均除尘效率η；

第3类是煤燃烧后测取的炉渣性质参数9‑炉渣产量G渣、10‑炉渣平均含碳量C渣；

第4类是煤燃烧后的飞灰性质参数11‑飞灰产量G灰、12‑飞灰平均含碳量C灰；

第5类是发电机组性质参数15‑汽轮发电机组的电功率W1；

发电锅炉碳氧化因子软测量模型的输入变量包括1‑煤种的收到基全水分Mar、2‑收到基灰分Aar、3‑收到基挥发分Var、4‑收到基固定碳FCar、5‑收到基低位发热量Qar，6‑磨煤机给煤量M1，7‑二次风总风压P2，8‑一次风压P1，13‑锅炉出口烟道气氧气的体积百分含量X1，15‑汽轮发电机组的电功率W1，共10个变量；

这10个变量构成发电锅炉碳氧化因子软测量模型的输入向量X；

X＝[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]＝[Mar,Aar,Var,FCar,Qar,P1,P2,M1,X1,W1]发电锅炉碳氧化因子软测量模型的输出变量Y只有一维，为发电锅炉碳氧化因子OF，Y＝[y]＝[OF]；

按下述公式计算OF，涉及测量点分别为9‑炉渣产量G渣、10‑炉渣平均含碳量C渣、11‑飞灰产量G灰、12‑飞灰平均含碳量C灰和14‑除尘系统平均除尘效率η；

第二步，建立碳氧化因子在线软测量模型

碳氧化因子在线软测量模型建模与训练过程如下：首先，数据预处理

按第一步要求测量换算300组样本输入输出向量的实验值 进行归一化处理，获取标准化样本集 所述模型输入向量X中各变量xi的归一化按如下公式进行处理：式中，是软测量模型输入向量X第i个输入变量xi的测量值， 和 是300个测量值中的最大值和最小值， 为 归一化处理后的向量；

所述模型输入向量Y中变量y的归一化按如下公式进行处理：式中，是软测量模型输出变量y的测量值， 和 是 的300个值中的最大值和最小值， 为 归一化处理后的变量；

随机选择 和 的2/3测量值作为训练样本，将训练样本的输入向量命名为 输出向量命名为 训练样本共200个；

随机选择 和 的1/3测量值作为测试样本，输入向量命名为 输出向量命名为测试样本共100个；

接着，碳氧化因子软测量模型训练

将训练样本的输入向量 输出向量 代入BP神经网络进行训练，采用3层神经网络，10个输入节点，9个隐层输入节点，1个输出节点，训练上限设置为600次，训练样本序号m和训练次数计算器q置为1，训练精度EMIN置为0.01，学习效率η设为0.5，连接初始权值(0)和初始阈值 γ 随机赋区间(‑1,1)的初值，训练得到连接权值wkj、vj和阈值θj、γ；

最后，碳氧化因子软测量模型验证

将测试样本中的输入向量归一值 提供给软测量模型作为输入值，用步骤(3)中训练好的连接权值wkj、vj和阈值θj、γ，计算得到测试样本的软测量模型输出变量sytest(n)，sytest(n)为第n个测试样本软测量模型输出变量的计算值；

采用下式计算全部测试样本的均方根误差Etest，当Etest≤EMIN时，碳氧化因子软测量模型完成，保存连接权值wkj、vj和阈值θj、γ；

(0)

Etest>EMIN时， 和阈值 γ ＝γ，权值赋回模型做初值，重置m＝1，q＝1，返回进行碳氧化因子软测量模型训练；

第三步，碳氧化因子在线软测量模型使用

建立发电锅炉燃煤碳氧化因子软测量模型后，如要在线测量某一操作条件下的燃煤碳氧化因子时，只需将以下各变量的测量数据赋给输入向量X：

1‑煤种的收到基全水分Mar、2‑收到基灰分Aar、3‑收到基挥发分Var、4‑收到基固定碳FCar、5‑收到基低位发热量Qar，6‑磨煤机给煤量M1，7‑二次风总风压P2，8‑一次风压P1，13‑锅炉出口烟道气氧气的体积百分含量X1，15‑汽轮发电机组的电功率W1，共10个变量；

X＝[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]对模型输入变量进行归一化处理，所述模型输入向量X中各变量xi的归一化得到归一化后的输入向量：SX＝[sx1,sx2,sx3,sx4,sx5,sx6,sx7,sx8,sx9,sx10]将归一化后的输入向量SX输入碳氧化因子在线软测量模型，由归一化后的输入变量sxi，训练好的连接权值wkj、vj和阈值θj、γ按步骤(3)计算得到软测量模型的输出变量sy，对输出变量按如下公式进行反归一化处理：max min min

y＝sy×(y ‑y )+y             (17)计算出来的y即是不同煤种在不同锅炉负荷下的碳氧化因子OF。

2.如权利要求1所述的一种发电锅炉燃煤碳氧化因子在线软测量方法，其特征在于，所述第二步中，碳氧化因子在线软测量模型建模与训练过程包括如下步骤：

2.1、数据预处理

按第一步要求测量换算300组样本输入输出向量的实验值 进行归一化处理，获取标准化样本集 所述模型输入向量X中各变量xi的归一化按如下公式进行处理：式中，是软测量模型输入向量X第i个输入变量xi的测量值， 和 是300个测量值中的最大值和最小值， 为 归一化处理后的向量；

所述模型输入向量Y中变量y的归一化按如下公式进行处理：式中，是软测量模型输出变量y的测量值， 和 是 的300个值中的最大值和最小值， 为 归一化处理后的变量；

随机选择 和 的2/3测量值作为训练样本，将训练样本的输入向量命名为 输出向量命名为 训练样本共200个；

随机选择 和 的1/3测量值作为测试样本，输入向量命名为 输出向量命名为测试样本共100个；

2.2、BP神经网络训练赋初值

神经网络参数赋值为：3层神经网络，输入层设置10个输入节点，以k表示，k＝1,

2,···,10；中间隐层设置9输入节点，以j表示，j＝1,2···,9；

输出层设置1个输出节点，训练次数上限设置600次；

训练步骤如下：

设m为训练样本序号m＝1,2···,200，q为训练次数计算器，m与q的初值置为1，训练精度EMIN置为0.01，训练次数上限设为600次；

令wkj为输入层第k个输入节点至中间隐层第j个输入节点初始连接权值； 表示其迭代初值；记 为经q次训练后，经过修正的输入层第k个输入节点至中间隐层第j个输入节点连接权值；

令vj为中间隐层第j个输入节点至输出层连接权值； 表示其迭代初值； 为经q次训练后，经过修正的中间隐层第j个输入节点至输出层的连接权值；

令θj为中间隐层第j个输入节点至输出层的连接权值； 表示其迭代初值； 为经q次训练后，经过中间隐层第j个中间隐层节点的输出阈值；

(0) (q)

令γ为输出层节点的输出阈值；γ 表示其迭代初值；γ 为经q次训练后，经过修正的输出层节点的输出阈值；

η为学习效率，是一个(0,1)范围的数值；

(0)

对连接权值 和阈值 γ 随机赋区间(‑1,1)的初值，学习效率η设为0.5；

2.3、神经网络训练

随机选取第m组训练样本输入向量归一值 提供给网络，m为训练样本序号，为第m个训练样本的输入向量归一值；

用训练样本输入变量归一值 连接权值 输出阈值 计算中间层各单元的输入sj(m)，计算中间层各单元的输出bj(m)， 第m个训练样本第i个输(q‑1)

入变量；利用中间层的输出bj(m)、连接权值 γ 计算输出层各单元的输入L(m)，然后利用通过传递函数计算输出层单元的输出变量sytrain(m)，这是第m个训练样本的输出变量；

2.4、计算各层误差

根据训练样本中的输出变量实际归一值 和模型估算sytrain(m)计算输出层的单元一般化误差d(m),利用连接权 输出层的一般化误差d(m)和中间隐层的输出bj(m)计算中间隐层各单元的一般误差ej(m)；

2.5、调整各层权值

利用学习率η修正新的连接权值 和阈值

(q) (q‑1)

γ ＝γ +η×d(m)                         (14)

2.6、检查是否对所有样本完成一次轮训若m≤200，m、q增1，再抽取下一组训练样本，返回步骤2.3；

若m>200则进行2.7；

2.7、检查软测量模型是否达到精度要求计算全部训练样本的均方根误差Etrain并与设定训练精度EMIN比较；

若Etrain≤EMIN，进行步骤2.8，训练结束；保存各权值 和阈值(q)

γ＝γ ；

若Etrain>EMIN，判断是否q≤600，若是则重置训练样本序号m＝1返回步骤2.3；否则训练完成，训练结束，保存连接权值和阈值进行下一步；

2.8、给出软测量模型的测试误差；

将测试样本中的输入向量归一值 提供给软测量模型作为输入值， 第n个测试样本输入向量归一值， 为第n个测试样本输入变量归一值；

用步骤2.7中训练好的连接权值wkj、vj和阈值θj、γ，按照步骤2.3计算得到测试样本的软测量模型输出变量sytest(n)，sytest(n)为第n个测试样本软测量模型输出变量的计算值；

采用下式计算全部测试样本的均方根误差Etest，为第n个测试样本输出变量；当Etest≤EMIN时，碳氧化因子软测量模型完成，保存连接权值wkj、vj和阈值θj、γ；

Etest>EMIN时，将已有连接权值wkj赋给神经网络模型做初值 vj和阈值θj、γ也都相应赋初值；重置m＝1，q＝1，返回步骤2.3。