1.一种锅炉NOx浓度预测与智能控制方法，其特征在于，包括如下步骤：(1)预先获取锅炉排放的历史NOx浓度数据和辅助变量数据；

(2)使用拉依达准则对步骤(1)获取的数据进行数据清洗；

(3)利用最大信息系数MIC筛选与历史NOx浓度相关性较强的辅助变量；将筛选后的辅助变量和NOx浓度变量作为输入数据，并划分为训练集、验证集测试集；

(4)建立基于FCGRU‑CNN的NOx预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的NOx浓度进行预测；

(5)利用改进后的人工蜂鸟算法IAHA优化基于FCGRU‑CNN的NOx预测模型的超参数，得到与实测值相比误差最小的NOx浓度预测值；所述IAHA是在原AHA算法基础上采用Bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原AHA算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；

(6)计算步骤(5)IAHA算法优化后得到的NOx浓度预测值与设定值的偏差e2以及NOx浓度实测值与设定值的偏差e1，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整PID控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出NOx浓度的智能控制。

2.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(1)所述的辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。

3.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(2)实现过程如下：计算标准差σ：

式中，n是观测总次数，ε为第ε次观测次数，Λ(ε)是观测值；

定义拉依达准则判别依据：

式中，Rn是残差， 是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。

4.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(3)实现过程如下：(31)构建辅助变量样本集；计算输出变量NOx浓度Y与待选辅助变量X的最大信息系数MIC(X；Y)；

式中，B为构建m×n网格数量的最大上限，f(x,y)为联合概率密度函数；

(32)求得MIC值最大时的待选辅助变量Xa；定义评价函数：式中：I(Y；Xa)表示输出变量NOx浓度Y与待选辅助变量Xa的相关程度；MIC(Y,Xa)为输出变量NOx浓度Y与待选辅助变量Xa的最大信息系数；MIC(Xa,Xb)为待选辅助变量Xa与已选辅助变量Xb之间的最大信息系数；N为筛选出的辅助变量样本集；

(33)定义相关性判别关系式为：

式中，η为相关性的阈值；I(Y；Xa)小于ηI(Y；Y)时，表明待选辅助变量Xa与输出变量Y不相关；

通过在待选辅助变量样本集中去除MIC值最大的待选辅助变量Xa，用上述相关性判别关系式判别剩余待选辅助变量X与输出变量NOx浓度Y的相关性；

(34)当剩余待选辅助变量均与输出变量NOx浓度Y不相关时，输出待选辅助变量样本集；最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量NOx浓度相关性较强的辅助变量。

5.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(4)所述的建立FCGRU‑CNN的NOx预测模型的过程如下：(41)建立FCGRU层提取输入数据间的局部和全局信息；

先将Ik和 通过全连接层转化为嵌入 和 再把 和 放入带有全连接的GRU中生成局部隐藏状态 该过程表示为：

其中，Ik为k时刻输入， 为上一时刻隐藏状态，g为局部参数，FC为全连接层；

通过全连接层整合Hk和 生成全局的隐藏状态

其中， 表示特征拼接操作，Hk为候选隐藏状态； 为包含NOx浓度局部和全局信息的隐藏状态；

(42)通过CNN提取FCGRU层输出数据的时空特征；

利用卷积层进行卷积运算：

其中，Fρ,θ为卷积得到的时空特征图第ρ行第θ列的特征值，Ψ为通道数，w0和δ0分别为卷积核的宽度和高度， 表示时空类图第 个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置； 为第 个通道下卷积核第w行第δ列的权重； 表示第 个通道下的偏置，f(·)是非线性激活函数ReLU；

(43)平均池化运算avgpooling：

其中，Ορ,θ为平均池化后输出的NOx浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；F(ρ·s+m),(θ·s+n)表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长；

(44)通过全连接层输出NOx浓度预测结果。

6.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(5)所述的利用改进后的人工蜂鸟算法IAHA优化基于FCGRU‑CNN的NOx预测模型的超参数过程如下：(51)设置IAHA算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表；

(52)对原AHA算法的种群初始化做出改进，利用Bernoulli映射初始化AHA算法的种群；

其中，β是映射参数，β∈(0,1)，zγ+1为γ+1个种群的位置；

(53)定义目标函数为NOx浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值；

(54)定义三种飞行技能，包括全向、对角和轴向飞行；

(55)蜂鸟的位置更新；通过不同位置更新方法搜寻FCGRU‑CNN模型最优超参数，使得NOx浓度预测值和实际值的偏差值降低；

(56)通过算法迭代不断更新当前解，并同步更新全局最优解；

(57)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出FCGRU‑CNN预测模型的最优超参数。

7.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(6)所述的对锅炉输出NOx浓度的智能控制的过程如下：计算NOx浓度预测值与设定值的偏差e2以及NOx浓度测量值与设定值的偏差e1；

其中，C为NOx浓度测量值，C0为NOx浓度设定值， 为NOx浓度预测值；

利用权重因子对偏差进行加权组合；

e＝αe1+(1‑α)e2    (15)

其中，α为权重因子；

利用偏差组合专家控制器在线调整PID控制器系数；通过当前NOx浓度的组合偏差及偏差变化率，得到PID参数的增量系数，对PID参数进行在线整定，最后根据NOx浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整PID控制器比例、积分和微分系数；

利用PID控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制。

8.根据权利要求1所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，步骤(5)所述的超参数包括学习率、隐藏层数和隐藏层节点数。

9.根据权利要求6所述的一种锅炉NOx浓度预测与智能控制方法，其特征在于，所述步骤(55)实现过程如下：(551)蜂鸟的引导觅食行为位置更新方式；

其中，Γi(t+1)是在第t+1次迭代时第i个食物源的位置；Γj,tar(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，D为方向向量；

(552)蜂鸟的区域性觅食行为位置更新方式；

其中，b为服从标准正态分布的区域性觅食因子；

(553)引入高斯随机游走策略代替原AHA算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优；

其中， 表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数； 为第t代种群中的最优个体，τ表示步长。

10.一种采用如权利要求1‑9任一所述方法的锅炉NOx浓度预测与智能控制系统，包括单元设备层、嵌入式控制层和决策应用层；

所述单元设备层包括NOx浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过Modbus通讯协议实现与嵌入式控制层的通信；

所述嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出NOx浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统NOx浓度输出值接近预期设定值，实现对锅炉输出NOx浓度的智能控制；

所述的决策应用层通过5G或WIFI实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对NOx浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。