1.一种燃煤电站锅炉炉膛温度测量方法，其特征在于，包括如下步骤：步骤1：从历史数据监控信息系统中获取包括炉膛温度及影响温度变化的相关变量在内的原始数据建立样本数据集DATA＝X∪Y，其中 N为采集的样本数量，中的每个样本中含有m个数值，记为m个特征维数；Y＝{y1，y2，...，yN}，Y中的每一个数值对应X中每个样本的炉膛温度输出，如步骤2：采用经验模态EMD与阈值去噪相结合的算法对原始数据进行降噪，并采用min‑max方法将去噪数据映射到[0，1]区间做归一化无纲量处理，得到预处理后的数据集B*；

所述采用经验模态EMD与阈值去噪相结合的算法对原始数据进行降噪的过程如下：步骤2‑1：构造输入输出矩阵， 将B记为由m+1个列向量构成的集合

步骤2‑2：利用经验模态EMD，分别对集合B中m+1个列向量进行分解；

其中，imf为特征分解的本征固有模态函数，Res为残差，si表示特征列向量 ，i＝

1，…，m，m+1分解了si个本征固有模态函数；

步骤2‑3：计算特征 分解的si个固有模态函数的归一化自相关函数，由于高斯白噪声信号为零均值，在零时刻其自相关函数取值为1，而其他点在0附近，一般信号在零时刻点时自相关函数值在0.9‑1之间，其他点函数值在0‑0.8范围内变化，因此可以通过比较一般信号与噪声信号自相关函数值在零时刻与其他时刻的明显不同找出噪声占主要部分的分界点，判断出噪声占主要部分的si′个imf；

步骤2‑4：采用软硬阈值折中函数imf′j，对噪声占主要部分的si′个imf固有模态函数进行降噪处理：其中，λ是阈值，sgn(x)为分段函数，imfi′为降噪后的模态函数；

步骤2‑5：将降噪后的si′个imf与剩余的si‑si′个imf及残差项Res进行信号线性重构，最终获得降噪后数据集合B’；

步骤3：采用随机森林RF对预处理后的数据集进行特征选择，选出重要性大于设定阈值*的输入特征与输出特征向量组成新的样本数据集B’；

步骤3‑1：计算出归一化处理后的数据集B*的特征 i＝1，…，m的基尼系数Ginii：其中，pia代表第a个类别在特征 中出现的概率，k表示特征 中类别的数目，a＝

1，…，k；

步骤3‑2：计算特征 在节点t的重要性，即计算特征 i＝1，…，m在节点t分枝前后的Gini指数变化量；

VIMit＝Ginit‑Ginil‑Ginir              (5)其中，Ginil与Ginir分别表示由节点t分裂的两个新节点的Gini指数；

步骤3‑3：假设特征 在第j棵树中出现M次，那么 在第j棵树重要性为；

步骤3‑4：假设RF中共有n棵数，则计算特征 在n棵数的Gini重要性：步骤3‑5：将所有特征 的重要性VIMi进行归一化处理，并从大到小进行排序；

步骤3‑6：设定阈值大小S，选择重要性大于阈值S的h个特征作为模型的输入特征，与输出特征构成新的数据集步骤4：建立以4种建模算法即BP、SVR、XGBOOST和LSSVM作为基底的智能组合锅炉温度预测模型；

步骤4‑1：将得到的数据集B*’按三个不同的时间段，温度变化范围不同的样本数据划分为T1、T2、T3三个数据集合，再将其中的每一个数据集合划分成P1、P2、P3三个样本集合，P1、P2、P3分别表示各自数据集合的训练集、测试集、验证集；

步骤4‑2：选择4种建模算法即BP、SVR、XGBOOST和LSSVM作为智能选择模型的基底模型；

步骤4‑3：使用T1数据集中的训练集P1训练4种基底模型，得到训练好的基底模型分别表示为MP，MR，MT，MM；

步骤4‑4：将T1数据集中的测试集P2中每个样本分别代入训练好的四个基底模型MP，MR，MT，MM中，分别由这四个基底模型得到的每个样本对应输入特征的4个不同的目标特征预测值；

步骤4‑5：计算每个样本数据与步骤4‑4中得到的4个不同的目标特征预测值的相对误差的绝对值；

步骤4‑6：选择相对误差的绝对值最小的基底模型为该样本的预测最优算法；

步骤4‑7：给每个样本的预测最优算法作类别标记，其中BP、SVR、XGBOOST、LSSVM分别标记为1，2，3，4，形成分类样本数据集；

步骤4‑8：在增加标记之后的分类样本数据集中随机选取Z组样本作为C4.5算法建模的训练集Ds；

步骤4‑9：按照类别标记对步骤4‑8得到的训练集Ds进行划分，计算类别的信息熵：其中，L为训练集Ds中的类别向量，pj为类别属性中各类别占比，j为类别数；

步骤4‑10：计算训练集Ds的每个特征向量的条件熵：其中，dik表示特征向量Dsi，i＝1，…，R中根据数值的不同分成的第k个类别，pk表示第k个类别在特征向量Dsi中的概率，w表示特征向量Dsi中所有可能不同取值；

步骤4‑11：计算信息增益，将步骤4‑9得到的类别信息熵减去步骤4‑10得到的每个特征向量的条件熵；

步骤4‑12：计算训练集Ds中每个特征向量的分裂信息度量：其中，k表示特征向量Dsi，i＝1，…，R中根据数值的不同分成的第k个类别，w代表特征向量Dsi中所有可能不同取值，pk第k个类别在特征向量Dsi中的概率；

步骤4‑13：计算信息增益率，将步骤4‑11计算得到的信息增益除以步骤4‑12计算得到的分裂信息度量；

步骤4‑14：根据计算得到的信息增益率进行选择属性，选择具有最大信息增益率的属性作为决策树节点，对该节点进行分裂；

步骤4‑15：通过对分裂节点划分得到叶子节点，依次循环重复步骤4‑9至步骤4‑14，直到所有叶子节点不能够被分裂为止，得到训练好的C4.5分类模型CM1；

步骤4‑16：分别将T2、T3两个部分的数据样本重复步骤4‑2至步骤4‑15进行训练，得到各自的C4.5分类模型CM2和CM3：步骤5：对多模型智能组合锅炉温度预测模型进行验证；

步骤5‑1：分别将步骤4‑1所述T1、T2、T3三个部分的验证集P3输入到步骤4‑15和步骤4‑16所述的已经训练好的三个不同的C4.5分类模型中，输出每个样本的分类预测结果；

步骤5‑2：根据每个样本的分类预测结果，选择对应的步骤4‑7所述的BP、SVR、XGBOOST、LSSVM4个模型中的最优模型，用最优模型逐一对相应的样本进行锅炉炉膛温度预测分析；

步骤5‑3：输出T1、T2、T3数据集中验证集P3的炉膛温度预测值。