CN101498459B - 一种锅炉燃烧优化的建模方法 - Google Patents

Abstract

本发明涉及一种锅炉燃烧优化的建模方法。现有方法不能解决锅炉燃烧优化问题。本发明方法根据锅炉燃烧的主动参数负荷进行分段，将燃烧情况相近的负荷工况化为一段，将差别较大的负荷工况分开建模，对于数据较少的低负荷或极低负荷工况采用适于小样本且泛化能力强的建模方法；在建模前对建模数据进行了拓扑结构上分布均匀和数量均等的选择，并进行适当的预处理，以保证模型的预测能力和泛化能力，最终根据实际负荷所处的负荷段，选用相应各负荷段的模型进行优化。本发明方法克服了传统建模方法中面对燃烧情况差别非常大的所有负荷情况建模的不足，通过数据选择和预处理保证了模型的预测精度和泛化能力。

Description

一种锅炉燃烧优化的建模方法

技术领域

本发明属于信息控制技术领域，涉及到模式识别及回归技术，特别是涉及一种锅炉燃烧优化的建模方法。

背景技术

锅炉的燃烧优化是节能减排的重要技术手段，其目标是在一定的锅炉负荷条件下，通过调整锅炉配风、给煤等运行参数而获得高效率、低污染排放及更安全的运行状态。锅炉的运行是以负荷为主动参数的，其他的运行参数都要根据锅炉负荷的情况进行相应的调整，锅炉的配风、给煤等运行参数的搭配对锅炉燃烧状态有直接的影响，不同的配风、给煤及氧量等操作参数的配置会直接导致不同的锅炉效率、污染气体的排放量及设备的损耗情况。对于给定的锅炉，在一定的负荷条件下，存在一种最优的操作参数配置方案，能够使燃烧状态最优化。锅炉的操作参数间有着非常复杂的耦合关系，要找到最优的操作参数配置是非常困难，而且在实际运行中，由于调峰的需要，有时锅炉要在低负荷或极低负荷条件下运行，在低负荷或极低负荷条件下的运行情况与正常负荷及高负荷的情况有极大差别，配风、给煤等运行参数的搭配对锅炉燃烧状态的影响也有很大的不同，锅炉实际运行中极低负荷的情况比较少，数据量也会比较少，因此企图通过数据挖掘，针对所有负荷的情况建立一个单一模型实现锅炉优化运行，通常会在模型预测方面会遇到很多困难。随着科学技术的不断进步，锅炉运行自动化程度不断提高，但是锅炉燃烧优化问题一直没有很好的得到解决。

在实际生产中锅炉的燃烧优化主要是靠调试人员进行不同工况的实验，针对具体的锅炉和煤种情况，通过不同实验来寻找较好的运行参数配置，此种方法费时、费力而且能够实验的参数组合有限，因此通过调试实验找到的参数配置还存在较大的提升空间，另外，这种方法还不能实现根据锅炉的实时变化情况进行在线的优化。

如果能通过数据挖掘的优势，在大量实际运行数据中，挖掘出运行参数与锅炉燃烧指标间的关系模型，而避免一般的建模方法中，对所有负荷情况建立单一模型缺点，针对不同负荷情况的特点采用不同的建模方法，建立不同模型，将会使建模优化方法得效果大大提高。

发明内容

本发明的目标是针对锅炉燃烧优化中的瓶颈问题，提出一种兼顾模型预测精度与泛化能力的建模方法。

本发明具体是根据锅炉燃烧的主动参数负荷进行分段，将燃烧情况相近的负荷工况化为一段，将差别较大的负荷工况分开建模，对于数据较少的低负荷或极低负荷工况采用适于小样本且泛化能力强的建模方法；在建模前对建模数据进行了拓扑结构上分布均匀和数量均等的选择，并进行适当的预处理，以保证模型的预测能力和泛化能力，最终根据实际负荷所处的负荷段，选用相应各负荷段的模型进行优化。该方法克服了传统建模方法中，面对燃烧情况差别非常大的所有负荷情况建模的不足，而且通过数据选择和预处理保证了模型的预测精度和泛化能力。

本发明的技术方案是通过锅炉负荷分段的数据采集、建模，数据样本的选择和预处理、建立不同负荷段的模型，并根据实际运行负荷的情况选则相应负荷段的模型进行优化等手段，确立了一种锅炉的燃烧优化的建模方法，利用该方法可有效提高模型的预测精度和泛化能力。

本发明方法的步骤包括：

(1)根据锅炉燃烧情况按负荷分段，并建立实时数据库，按负荷段采集锅炉运行参数及相关的表征锅炉燃烧特征指标的数据，具体方法是：

根据锅炉不同负荷范围下的操作参数对燃烧特征指标影响的相似情况，按负荷范围进行分段采集，分为n(n≥3)段，建立不同负荷段下锅炉实时运行数据库，通过数据采集装置采集不同负荷段下实时锅炉运行操作参数数据，并将实时锅炉运行操作参数数据与获得的表征锅炉燃烧特征指标的数据存入相应的实时数据库中。

所述的实时锅炉运行操作参数数据包括负荷、各层的一次风速、各层的二次风速、炉膛出口烟气含氧量、燃尽风速、给粉机给粉速度，燃煤工业分析指标；所述的表征锅炉燃烧特征指标的数据包括锅炉燃烧器边水冷壁的CO浓度、尾部烟气的NO浓度和锅炉效率，其获得的方法为成熟技术。

(2)对各分段数据库中的数据进行选择和预处理，并针对不同负荷段数据量的特点，通过不同的数据挖掘方法，建立不同负荷段下锅炉运行操作参数与燃烧特征指标间模型，具体方法是：

首先，在各段负荷数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①结构上分布均匀原则，即在模型的输入量的拓扑结构空间上分布是比较均匀的，而不是集中于某一点或几点的数据，实际操作中为尽量选择不同工况下的数据作为样本数据；②数量上均等原则，即在拓扑结构中位于不同点的数据样本量应该相等或相近，而不是简单的数据越多越好，在实际操作中为不同工况下的样本数据量相似或相等，避免同一工况数据选取过多得情况。

其次，对各负荷段下选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级，即建模样本的各数据分量的数值差距不是太大，再对输入量进行归一化处理。

第三，应用各负荷段下预处理好的数据，针对不同负荷段数据情况的特点，采用不同的建模算法建模，对于数据量少的极低负荷段(在实际运行负荷小于锅炉设计负荷的60％情况下)，采用适合于小样本学习并且泛化能力强的支持向量机算法建模；对于数据多的负荷段(在实际运行负荷大于等于锅炉设计负荷的60％情况下)采用学习能力和函数逼近能力强的径向基神经网络建模。用于建模的输入参数及表征锅炉燃烧状态的输出参数可以表示为{x_i，y_i}_i＝1 ^N，其中x_i表示第i组作为输入数据的锅炉运行参数向量，y_i表示第i组作为输出参数的表征锅炉燃烧状态的参数，以实际运行数据为基础建立运行操作参数与锅炉燃烧状态指标间的模型。

对于数据量少的极低负荷段，采用适合于小样本学习的支持向量机算法建模，核函数选为径向基函数：

$K(x_i,x_j)=\mathrm{\φ}\left(x_i\right)\·\mathrm{\φ}\left(x_j\right)=\exp \left|\left(\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\σ}}^2}\right)\right|$

φ(x)为映射函数，设所求的目标函数为：f(x_i)＝w·φ(x_i)+b，f(x_i)为模型输出的锅炉燃烧特征指标预测值，w为权重系数向量，b为截距。引入松弛因子ξ^* _i≥0和ξ_i≥0和允许拟合误差ε，模型可以通过在约束：

$\left\{\begin{array}{c}{y}_i-w\·\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i\≥0\\ {\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.i=1,\·\·\·,N,$ 条件下，最小化：

$\min R(w,\mathrm{\ξ},{\mathrm{\ξ}}^{*})=\frac{1}{2}w\·w+c\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\ξ}+{\mathrm{\ξ}}^{*}$

获得，其中常数C＞0，为惩罚系数。该最小化问题为一个凸二次规划问题，

引入拉格朗日函数：

$L(w,b,\mathrm{\ξ},{\mathrm{\ξ}}^{*},\mathrm{\α},{\mathrm{\α}}^{*},\mathrm{\γ},{\mathrm{\γ}}^{*})=\frac{1}{2}w\·w+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i[y_i-({\mathrm{\ξ}}_i+\mathrm{\ϵ}+f\left(x_i\right))]$

$-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}[{\mathrm{\ξ}}_i^{*}+\mathrm{\ϵ}+f\left(x_i\right)-y_i]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\γ}}_i{\mathrm{\ξ}}_i+{\mathrm{\γ}}_i^{*}{\mathrm{\ξ}}_i^{*})$

其中：

为拉格朗日乘数。

在鞍点处，函数L是关于w，b，ξ_i，ξ_i ^*的极小点，也是α_i，α_i ^*，γ_i，γ_i ^*极大点，最小化问题转化为求其对偶问题的最大化问题。

拉格朗日函数L在鞍点处是关于w，b，ξ_i，ξ_i ^*极小点，得：

$\left\{\begin{array}{c}\frac{\∂}{\∂w}L=0\→w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)\\ \frac{\∂}{\∂b}L=0\→\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i}L=0\→C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i^{*}}L=0\→C-{\mathrm{\α}}_i^{*}-{\mathrm{\γ}}_i^{*}=0\end{array}\right.$

可得拉格朗日函数的对偶函数：

此时，

$w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)$

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x,x_i)+b$

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

$\left\{\begin{array}{c}{\mathrm{\α}}_i[\mathrm{\ϵ}+{\mathrm{\ξ}}_i-y_i+f\left(x_i\right)]=0\\ {\mathrm{\α}}_i^{*}[\mathrm{\ϵ}+{\mathrm{\ξ}}_i+y_i-f\left(x_i\right)]=0\end{array}\right.i=1,\·\·\·,N$

由上式可见，

α_i和α_i ^*都不会同时为非零，可得：

$\left\{\begin{array}{c}{\mathrm{\ξ}}_i{\mathrm{\γ}}_i=0\\ {\mathrm{\ξ}}_i^{*}{\mathrm{\γ}}_i^{*}=0\end{array}\right.i=1,\·\·\·,N$

从上式可求出b，获得模型。

对于数据量丰富的负荷段，采用用学习能力和函数逼近能力强的径向基神经网络建模：

对于n个隐节点的径向基神经网络其输出为：

w_i为权重系数，x为m维输入向量，c_i为第i个基函数的中心，ρ_i为函数的基宽度参数。建立径向基神经网络模型的关键在于确定基函数的中心c_i，基宽度ρ_i及权重系数w_i。采用遗传算法迭代训练径向基神经网络，定义遗传算法初始群体Z向量的各维分量，分别为隐节点个、数基函数中心、函数的基宽度和权重系数，目标函数为：

其中

为第i个样本的神经网络输出值，y_i为第i个样本的实际值。当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型。

(3)根据实际的锅炉运行负荷情况选用相应得负荷段下的模型进行优化，具体方法是：

将不同锅炉燃烧特征指标的各负荷段下的子模型作为一个整体，预测优化时根据工况的负荷所在负荷段的不同，选取相应负荷段的子模型进行预测和优化，不同负荷段的同一燃烧特征指标子模型相互补充组成一个有机的整体。

本发明提出的建模方法可以有效的提高锅炉燃烧模型的预测精度和泛化能力，克服了传统传统建模方法的不足，满足了锅炉燃烧优化的实际要求，保证了锅炉燃烧优化的准确性和可行性。

具体实施方式

一种锅炉燃烧优化的建模方法，具体步骤是：

根据锅炉燃烧优化的要求确定数据库需要采集的运行参数(主要包括配风、给粉、氧量、煤质及负荷等)，及表征锅炉燃烧状态的相关指标(主要包括锅炉效率、尾部烟气成分及水冷壁附近CO浓度等)。

(1)建立实时数据库，根据锅炉负荷的情况，分段采集锅炉运行参数及相关的表征锅炉燃烧特征指标的数据。

根据不同锅炉负荷情况下燃烧状态的相似程度，建立n(n≥3)个负荷段下锅炉实时运行数据库，做为示例此处取为四段：

①85％以上负荷数据库；

②85％-70％负荷数据库；

③70％-60％负荷数据库；

④60％以下负荷(极低负荷)数据库。

将采集的锅炉实时运行数据，及相关的表征锅炉燃烧特征指标的数据，存入相应的实时数据库中。具体的锅炉实时运行参数可以在锅炉集散控制系统中获取，也可以直接通过仪器设备测量采集获取；表征锅炉燃烧状态的指标数据，可根据实际情况和燃烧优化的需要进行测量采集和计算获得，尾部烟气成分可以通过锅炉尾部抽取烟气样本，通过烟气分析仪分析获得数据；水冷壁附近CO浓度数据可以通过在炉墙上钻孔抽取水冷壁附近气体样本，再由烟气分析仪分析取得数据；锅炉效率可由相关数据计算获得。

这个过程是积累数据的阶段，只有积累了相当的数据后才可能进行后边的数据挖掘建模。

(2)对各分段数据库中的数据进行选择和预处理，并针对不同负荷段数据量的特点，通过不同的数据挖掘方法，建立不同负荷段下锅炉运行操作参数与燃烧特征指标间模型，具体方法是：

首先，在各段负荷数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①结构上分布均匀原则，即尽量选择操作参数不同的数据作为样本数据；②数量上均等原则，即不同工况下的样本数据量相似或相等，避免同一工况数据选取过多得情况。

其次，对各负荷段下选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级，并对输入量进行归一化处理。

第三，应用各负荷段下预处理好的数据，针对不同负荷段数据情况的特点，采用不同的建模算法建模，对于数据量少的60％以下负荷段(极低负荷段)，采用适合于小样本学习并且泛化能力强的支持向量机算法建模；对于数据多的其它负荷段采用学习能力和函数逼近能力强的径向基神经网络建模。

用于建模的输入参数及表征锅炉燃烧状态的输出参数可以表示为{x_i，y_i}_i＝1 ^N，其中x_i表示第i组作为输入数据的锅炉运行参数向量，y_i表示第i组作为输出参数的表征锅炉燃烧状态的参数，以实际运行数据为基础建立运行操作参数与锅炉燃烧状态指标间的模型。

对于数据量少的60％以下荷段，采用适合于小样本学习的支持向量机算法建模，核函数选为径向基函数：

$K(x_i,x_j)=\mathrm{\φ}\left(x_i\right)\·\mathrm{\φ}\left(x_j\right)=\exp \left|\left(\frac{{\left|\right|x_i-x_j\left|\right|}^2}{2{\mathrm{\σ}}^2}\right)\right|$

φ(x)为映射函数，设所求的目标函数为：f(x_i)＝w·φ(x_i)+b，f(x_i)为模型输出的锅炉燃烧特征指标预测值，w为权重系数向量，b为截距。引入松弛因子ξ^* _i≥0和ξ_i≥0和允许拟合误差ε，模型可以通过在约束：

$\left\{\begin{array}{c}{y}_i-w\·\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i\≥0\\ {\mathrm{\ξ}}_i^{*}\≥0\end{array}\right.i=1,\·\·\·,N,$ 条件下，最小化：

$\min R(w,\mathrm{\ξ},{\mathrm{\ξ}}^{*})=\frac{1}{2}w\·w+c\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{\ξ}+{\mathrm{\ξ}}^{*}$

获得，其中常数C＞0为惩罚系数。该最小化问题为一个凸二次规划问题，引入拉格朗日函数

$L(w,b,\mathrm{\ξ},{\mathrm{\ξ}}^{*},\mathrm{\α},{\mathrm{\α}}^{*},\mathrm{\γ},{\mathrm{\γ}}^{*})=\frac{1}{2}w\·w+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(\mathrm{\ξ}+{\mathrm{\ξ}}^{*})-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i[y_i-({\mathrm{\ξ}}_i+\mathrm{\ϵ}+f\left(x_i\right))]$

$-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}[{\mathrm{\ξ}}_i^{*}+\mathrm{\ϵ}+f\left(x_i\right)-y_i]-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\γ}}_i{\mathrm{\ξ}}_i+{\mathrm{\γ}}_i^{*}{\mathrm{\ξ}}_i^{*})$

其中：

为拉格朗日乘数。

在鞍点处，函数L是关于w，b，ξ_i，ξ_i ^*的极小点，也是α_i，α_i ^*，γ_i，γ_i ^*极大点，最小化问题转化为求其对偶问题的最大化问题。

拉格朗日函数L在鞍点处是关于w，b，ξ_i，ξ_i ^*极小点，得：

$\left\{\begin{array}{c}\frac{\∂}{\∂w}L=0\→w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)\\ \frac{\∂}{\∂b}L=0\→\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i}L=0\→C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0\\ \frac{\∂}{\∂{\mathrm{\ξ}}_i^{*}}L=0\→C-{\mathrm{\α}}_i^{*}-{\mathrm{\γ}}_i^{*}=0\end{array}\right.$

可得拉格朗日函数的对偶函数：

此时，

$w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)$

$f\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x,x_i)+b$

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

$\left\{\begin{array}{c}{\mathrm{\α}}_i[\mathrm{\ϵ}+{\mathrm{\ξ}}_i-y_i+f\left(x_i\right)]=0\\ {\mathrm{\α}}_i^{*}[\mathrm{\ϵ}+{\mathrm{\ξ}}_i+y_i-f\left(x_i\right)]=0\end{array}\right.i=1,\·\·\·,N$

由上式可见，α_i和α_i ^*都不会同时为非零，可得：

$\left\{\begin{array}{c}{\mathrm{\ξ}}_i{\mathrm{\γ}}_i=0\\ {\mathrm{\ξ}}_i^{*}{\mathrm{\γ}}_i^{*}=0\end{array}\right.i=1,\·\·\·,N$

从上式可求出b，获得模型。

对于数据量丰富的其它三个负荷段，采用用学习能力和函数逼近能力强的径向基神经网络建模：

对于n个隐节点的径向基神经网络其输出为：

w_i为权重系数，x为m维输入向量，c_i为第i个基函数的中心，ρ_i为函数的基宽度参数。建立径向基神经网络模型的关键在于确定基函数的中心c_i，基宽度ρ_i及权重系数w_i。采用遗传算法迭代训练径向基神经网络，定义遗传算法初始群体Z向量的各维分量，分别为隐节点个数、基函数中心、函数的基宽度和权重系数，目标函数为：

其中

为第i个样本的神经网络输出值，y_i为第i个样本的实际值。当J达到了最小、达到设定值或完成迭代次数时，训练完成，获得隐节点个数、基函数中心、函数的基宽度和权重系数，从而获得径向基神经网络模型。

(3)根据实际的锅炉运行负荷情况选用相应得负荷段下的模型进行优化，具体方法是：

将不同锅炉燃烧特征指标的各负荷段下的子模型作为一个整体，预测优化时根据工况的负荷所在负荷段的不同，选取相应负荷段的子模型进行预测和优化，不同负荷段的同一燃烧特征指标子模型相互补充组成一个有机的整体。

Claims (1)

1.一种锅炉燃烧优化的建模方法，其特征在于该方法的步骤包括：

步骤(1).根据锅炉不同负荷范围下的操作参数，按负荷范围进行分段采集，分为n段，n≥3，建立不同负荷段下锅炉实时运行数据库，通过数据采集装置采集不同负荷段下实时锅炉运行操作参数数据，并将实时锅炉运行操作参数数据与获得的表征锅炉燃烧特征指标的数据存入相应的实时数据库中；

所述的实时锅炉运行操作参数数据包括负荷、各层的一次风速、各层的二次风速、炉膛出口烟气含氧量、燃尽风速、给粉机给粉速度，燃煤工业分析指标；

所述的表征锅炉燃烧特征指标的数据包括锅炉燃烧器边水冷壁的CO浓度、尾部烟气的NO浓度和锅炉效率；

步骤(2).对各分段数据库中的数据进行选择和预处理，建立不同负荷段下锅炉运行操作参数与燃烧特征指标间模型，具体方法是：

在各段负荷数据库中进行数据选择，选择出建模用的样本数据，选择时遵循以下原则：①结构上分布均匀原则，即在模型的输入量的拓扑结构空间上分布是均匀的；②数量上均等原则，即在拓扑结构中位于不同点的数据样本量应该相等或相近；

对各负荷段下选择出的数据进行建模前的预处理，通过单位的变换或乘系数的方法，使各输入量及相应输出量的数据处于相同或相近的数量级，再对输入量进行归一化处理；

应用各负荷段下预处理好的数据，针对不同负荷段数据情况，采用不同的建模算法建模：在实际运行负荷小于锅炉设计负荷的60％情况下采用支持向量机算法建模；在实际运行负荷大于等于锅炉设计负荷的60％情况下采用径向基神经网络建模；用于建模的输入参数及表征锅炉燃烧状态的输出参数表示为{x_i，y_i}_i＝1 ^N，其中x_i表示第i组作为输入数据的锅炉运行参数向量，y_i表示第i组作为输出参数的表征锅炉燃烧状态的参数；

步骤(3).根据实际的锅炉运行负荷情况选用相应得负荷段下的模型进行优化，具体方法是：

将不同锅炉燃烧特征指标的各负荷段下的子模型作为一个整体，预测优化时根据工况的负荷所在负荷段的不同，选取相应负荷段的子模型进行预测和优化，不同负荷段的同一燃烧特征指标子模型相互补充组成整体。