CN102842066B - 一种生物质炉燃烧优化的建模方法 - Google Patents

Abstract

本发明涉及一种生物质炉燃烧优化的建模方法。本发明方法首先采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；然后分别用最小二乘支持向量机和径向基神经网络针对不同的燃料，建立燃烧模型，确定最小二乘支持向量机模型和径向基神经网络模型的组合比例，将最小二乘支持向量机模型与径向基神经网络模型按确定的最优的比例系数相结合，构成组合模型，针对给定的生物质炉的其它种生物质燃料建模，将不同的生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型。本发明方法满足了生物质炉燃烧优化中燃料有变化且燃料种类有限变化的实际要求，保证了生物质炉燃烧优化的准确性和可行性。

Description

一种生物质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，涉及一种生物质炉燃烧优化的建模方法。

背景技术

生物质炉燃烧优化的方法是节能减排的重要技术手段，其目标是在一定的负荷(生物质燃料给料速度)条件下，通过调整生物质炉配风的运行参数而获得高效率、低污染排放的运行状态。生物质炉的配风参数的搭配对生物质炉燃烧状态有直接的影响，不同的配风、氧量等操作参数的配置会直接导致不同的燃烧效率及污染气体的排放量。对于给定的生物质炉，在一定的负荷条件下，针对不同的燃烧状态特征指标，存在一种最优的配风方案，能够使相应燃烧状态的特征指标最优化，但是，生物质炉的操作参数间有着复杂的耦合关系，要找到最优的操作参数的配置并不容易。生物质炉燃烧特性建模是生物质炉燃烧优化中的关键问题，目前还没有很好的得到解决。

实际中生物质炉的燃烧优化主要是靠工作人员经验运行，往往只是维持生物质炉的燃烧，因此实际运行中的参数配置还存在较大的提升空间。

发明内容

本发明的目标是针对生物质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。

本发明具体是首先采集生物质炉的燃烧情况数据，进行建模数据的选择和适当的预处理，以保证模型的预测能力和泛化能力，最终应用相应的建模算法和优化算法建立生物质炉的燃烧特性模型。该方法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生物质炉燃烧数据采集、建模，数据样本的选择和预处理、建立生物质炉的燃烧特性模型，确立的一种生物质炉燃烧优化的建模方法，利用该方法可建立的较为精确和泛化能力较强的生物质炉燃烧优化特性模型。

本发明方法的步骤包括：

步骤(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；具体的生物质炉运行参数通过生物质炉实时运行数据库获取，或直接通过仪器设备测量采集。一般生物质炉所然用的生物质燃料种类(来源和工业分析数据不同)有限，因此，对于给定的生物质炉可燃用n(n≥1)种不同的生物质燃料(生物质燃料的原料和来源不同)，不同种类的燃料要分开采集数据，以便有针对性的分别建模。

所述的生物质炉运行参数数据包括：生物质燃料的工业分析指标、一次风速、二次风速、氧量、燃尽风速、生物质燃料给料速度；所述的表征生物质炉燃烧状态的特征指标的数据包括烟气中的NOx浓度和生物质炉燃烧效率，其获得的方法为成熟技术；

步骤(2).对数据库中的数据进行选择和预处理，并分别用最小二乘支持向量机和径向基神经网络(RBF网络)针对不同的燃料，建立生物质炉运行操作参数与燃烧状态的特征指标间的燃烧模型，因此，针对于n种生物质燃料，分别建立n个模型。具体方法是：

由于生物质炉燃料变化有限，因此分别针对不同燃料的燃烧情况，在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分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的，所选数据的输入量不是密集的集中在一个点上，能够均匀的占有一个空间；②数量均等，即在拓扑结构中位于不同点的数据的样本量，应该相差不大于数据最少点的样本数据量的10﹪，这样不会使某个点的数据量很多，而其他点的数据量很少，以保证建模质量；

对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数量级相差小于1个的状态，再对输入量进行归一化处理；

应用预处理好的数据，首先采用最小二乘支持向量机算法，针对一种燃料建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用径向基神经网络建模，径向基神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和径向基神经网络模型进行组合形成最终的针对于一种燃料的燃烧优化模型；用于建模的输入参数及表征生物质炉燃烧状态的特征指标的输出参数表示为，其中表示第组作为输入数据的生物质炉运行参数向量，表示第组作为输出参数的表征生物质炉燃烧状态特征的参数，为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；

首先，采用最小二乘支持向量机算法建模，核函数选为径向基函数：

为径向基函数的宽度，该表示形式为标准形式；为映射函数，设所求的目标函数为：，为模型输出的锅炉燃烧状态的特征指标预测值，为权重系数向量，为截距；引入松弛因子ξ^* _i和ξ_i以及允许拟合误差ε，ξ^* _i≥0、ξ_i≥0，模型通过在约束：

，条件下，最小化：

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

其中、、、为拉格朗日乘数，≥0、≥0、≥0、≥0。

在鞍点处，函数L是关于w、b、ξ_i、ξ_i ^*的，也是、、、的极大点，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：

可得拉格朗日函数的对偶函数：

此时，

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

由上式可见，α _i ·α _i ^* =0,α _i 和α _i ^* 都不会同时为非零，可得：

从上式可求出b，获得模型；

其次，采用学习能力和函数逼近能力强的径向基神经网络建模：

对于个隐节点的径向基神经网络其输出为：，为权重系数，为维输入向量，为第个基函数的中心，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，基宽度及权重系数；采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体向量的各维分量，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：，其中为第个样本的径向基神经网络输出值，为第个样本的实际值；当达到了最小、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；

步骤(3).确定最小二乘支持向量机模型和径向基神经网络模型的组合比例；针对建模数据对应的同一生物质燃料，采集新的生物质炉在不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和径向基神经网络模型加权平均的预测方法，对检验数据进行预测，即，其中为第组检验样本工况的目标预测值，为最小二乘支持向量机模型预测值，为径向基神经网络模型预测值，为最小二乘支持向量机模型预测值比例系数，为径向基神经网络模型的预测比例系数，且；

与的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量的各维分量，分别为支持向量机模型比例和原有模型权重，目标函数为：，其中为第组工况实际数据与结合模型预测的生物质炉燃烧特征指标的误差，K为检验样本数量，当方差总和取得了最小、达到设定值或完成迭代次数时，寻优完成；

步骤(4).将最小二乘支持向量机模型与径向基神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即，其中Z为更新后的组合模型，从而实现一种生物质炉燃料的燃烧优化模型的建立；

步骤(5).针对给定的生物质炉的其它种生物质燃料建模；建模步骤与步骤(2)～(4)一致，获得不同生物质燃料情况下的燃烧模型，如步骤(1)中所述共有n种燃料，因此对应建立n个模型；

步骤(6).将不同的n种生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型；需要调用模型进行预测时，根据燃料指标，调用相应的燃烧优化模型进行预测。

本发明通过数据挖掘，在大量不同的运行参数组合中，应用机器学习的方法，挖掘出运行参数与生物质炉燃烧状态的特征指标间的关系模型，再结合优化算法进行生物质炉的燃烧优化是非常有潜力的方法。如何使该方法真正达到生物质炉燃烧生产实际的要求，是困扰工程技术人员的难题，主要难题是，如何提高模型的预测和泛化能力，使之达到兼顾各项指标的更精确的燃烧优化的效果。

本发明提出的建模方法可以有效的提生物质炉燃烧模型的预测精度和泛化能力，而且可以满足了生物质炉燃烧优化中燃料有变化且燃料种类有限变化的实际要求，保证了生物质炉燃烧优化的准确性和可行性。

具体实施方式

一种生物质炉燃烧优化的建模方法，具体步骤是：

(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；具体的生物质炉运行参数通过生物质炉实时运行数据库获取，或直接通过仪器设备测量采集。一般生物质炉所然用的生物质燃料种类(来源和工业分析数据不同)有限，因此，对于给定的生物质炉可燃用n(n≥1)种不同的生物质燃料(生物质燃料的原料和来源不同)，不同种类的燃料要分开采集数据，以便有针对性的分别建模。

所述的生物质炉运行参数数据包括：生物质燃料的工业分析指标、一次风速、二次风速、氧量、燃尽风速、生物质燃料给料速度；所述的表征生物质炉燃烧状态的特征指标的数据包括烟气中的NOx浓度和生物质炉燃烧效率，其获得的方法为成熟技术；

(2).对数据库中的数据进行选择和预处理，并分别用最小二乘支持向量机和径向基神经网络(RBF网络)针对不同的燃料，建立生物质炉运行操作参数与燃烧状态的特征指标间的燃烧模型，因此，针对于n种生物质燃料，分别建立n个模型。具体方法是：

由于生物质炉燃料变化有限，因此分别针对不同燃料的燃烧情况，在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分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的，所选数据的输入量不是密集的集中在一个点上，能够均匀的占有一个空间；②数量均等，即在拓扑结构中位于不同点的数据的样本量，应该相差不大于数据最少点的样本数据量的10﹪；

对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数量级相差小于1个的状态，再对输入量进行归一化处理；

应用预处理好的数据，首先采用最小二乘支持向量机算法，针对一种燃料建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用径向基神经网络建模，径向基神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和径向基神经网络模型进行组合形成最终的针对于一种燃料的燃烧优化模型；用于建模的输入参数及表征生物质炉燃烧状态的特征指标的输出参数表示为，其中表示第组作为输入数据的生物质炉运行参数向量，表示第组作为输出参数的表征生物质炉燃烧状态特征的参数，为样本数量，以实际运行数据为基础建立运行操作参数与生物质炉不同燃烧状态指标间的模型；

首先，采用最小二乘支持向量机算法建模，核函数选为径向基函数：

为径向基函数的宽度，该表示形式为标准形式；为映射函数，设所求的目标函数为：，为模型输出的锅炉燃烧状态的特征指标预测值，为权重系数向量，为截距；引入松弛因子ξ^* _i和ξ_i以及允许拟合误差ε，ξ^* _i≥0、ξ_i≥0，模型通过在约束：

，条件下，最小化：

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

其中、、、为拉格朗日乘数，≥0、≥0、≥0、≥0。

在鞍点处，函数L是关于w、b、ξ_i、ξ_i ^*的，也是、、、的极大点，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：

可得拉格朗日函数的对偶函数：

此时，

按照库恩-塔克(KKT)条件定理，在鞍点有下式成立：

由上式可见，α _i ·α _i ^* =0,α _i 和α _i ^* 都不会同时为非零，可得：

从上式可求出b，获得模型；

其次，采用学习能力和函数逼近能力强的径向基神经网络建模：

对于个隐节点的径向基神经网络其输出为：，为权重系数，为维输入向量，为第个基函数的中心，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，基宽度及权重系数；采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体向量的各维分量，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：，其中为第个样本的径向基神经网络输出值，为第个样本的实际值；当达到了最小、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).确定最小二乘支持向量机模型和径向基神经网络模型的组合比例；针对建模数据对应的同一生物质燃料，采集新的生物质炉在不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和径向基神经网络模型加权平均的预测方法，对检验数据进行预测，即，其中为第组检验样本工况的目标预测值，为最小二乘支持向量机模型预测值，为径向基神经网络模型预测值，为最小二乘支持向量机模型预测值比例系数，为径向基神经网络模型的预测比例系数，且；

与的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量的各维分量，分别为支持向量机模型比例和原有模型权重，目标函数为：，其中为第组工况实际数据与结合模型预测的生物质炉燃烧特征指标的误差，K为检验样本数量，当取得了最小、达到设定值或完成迭代次数时，寻优完成；

(4).将最小二乘支持向量机模型与径向基神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即，其中Z为更新后的组合模型，从而实现一种生物质炉燃料的燃烧优化模型的建立；

(5).针对给定的生物质炉的其它种生物质燃料建模；建模步骤与步骤(2)～(4)一致，获得不同生物质燃料情况下的燃烧模型，如步骤(1)中所述共有n种燃料，因此对应建立n个模型；

(6).将不同的n种生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型；需要调用模型进行预测时，根据燃料指标，调用相应的燃烧优化模型进行预测。

Claims (1)

1.一种生物质炉燃烧优化的建模方法，其特征在于该方法的具体步骤是：

步骤(1).采集生物质炉运行参数及相关的表征生物质炉燃烧状态的特征指标，建立数据库；

所述的生物质炉运行参数的数据包括生物质燃料的工业分析指标、一次风速、二次风速、氧量、燃尽风速、生物质燃料给料速度；生物质炉运行参数通过生物质炉运行数据库获取，或直接通过仪器测量采集,不同的生物质燃料分开采集数据，分别建模；

所述的表征生物质炉燃烧状态的特征指标的数据包括烟气的NOx浓度和生物质炉燃烧效率；

步骤(2).对数据库中的数据进行选择和预处理，并分别用最小二乘支持向量机和径向基神经网络针对不同的燃料，建立生物质炉运行参数与燃烧状态的特征指标间的燃烧模型；针对于n种生物质燃料，分别建立n个模型，具体方法是：

分别针对不同燃料的燃烧情况，在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分布均匀，即在模型的输入量的拓扑结构空间上分布是均匀的；②数量均等，即在拓扑结构中位于不同点的数据的样本量，相差不大于数据最少点的样本数据量的10﹪；

对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数量级相差小于1个的状态，再对输入量进行归一化处理；

应用预处理好的数据，首先采用最小二乘支持向量机算法，针对一种燃料建模，最小二乘支持向量机算法所建模型泛化能力较强，然后再应用径向基神经网络建模，径向基神经网络所建模型经验风险较小，最后将最小二乘支持向量机模型和径向基神经网络模型进行组合形成最终的针对于一种燃料的燃烧优化模型；用于建模的输入参数及表征生物质炉燃烧状态的特征指标的输出参数表示为其中x_i表示第i组作为输入数据的生物质炉运行参数向量，y_i表示第i组作为输出参数的表征生物质炉燃烧状态的特征指标的参数，N为样本数量，以实际运行数据为基础建立运行参数与生物质炉不同燃烧状态的特征指标间的模型；

首先，采用最小二乘支持向量机算法建模，核函数选为径向基函数：

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

σ为径向基函数的宽度，该表示形式为标准形式；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状态的特征指标预测值，w为权重系数向量，b为截距；引入松弛因子和ξ_i以及允许拟合误差ε，ξ_i≥0，模型通过在约束：

$\left\{\begin{array}{c}{y}_i-w\·\mathrm{\φ}\left(x_i\right)-b\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i\\ w\·\mathrm{\φ}\left(x_i\right)+b-y_i\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*}\\ {\mathrm{\ξ}}_i\≥0\\ {\mathrm{\ξ}}_i^{*}\≥0\end{array},i=1,...,N,\right.$ 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为惩罚系数，C>0；该最小化问题为一个凸二次规划问题，引入拉格朗日函数：

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

其中α_i、γ_i、为拉格朗日乘数，α_i≥0、γ_i≥0、

在鞍点处，函数L是关于w、b、ξ_i、的，也是α_i、γ_i、的极大点，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、极小点，得：

$\left\{\begin{array}{c}\frac{\∂}{\∂w}L=0\→w=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_1-{\mathrm{\α}}_i^{*})\mathrm{\φ}\left(x_i\right)\\ \frac{\∂}{\∂b}L=0\→\underset{i=1}{\overset{N}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0\\ \frac{\∂}{{\∂\mathrm{\ξ}}_i}L=0\→C-{\mathrm{\α}}_i-{\mathrm{\γ}}_i=0\\ \frac{\∂}{{\∂\mathrm{\ξ}}_i^{*}}L=0\→C-{\mathrm{\α}}_i^{*}-{\mathrm{\γ}}_i^{*}=0\end{array}\right.$

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：

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

从上式可求出b，获得模型；

其次，采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y：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；采用粒子群算法迭代训练径向基神经网络，定义粒子群算法初始群体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个样本的径向基神经网络输出值，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；

步骤(3).确定最小二乘支持向量机模型和径向基神经网络模型的组合比例；针对建模数据对应的同一生物质燃料，采集新的生物质炉在不同运行状态下的数据作为检验样本，应用最小二乘支持向量机模型和径向基神经网络模型加权平均的预测方法，对检验数据进行预测，即其中为第i组检验样本工况的目标预测值，Z_z为最小二乘支持向量机模型预测值，Z_s为径向基神经网络模型预测值，α′为最小二乘支持向量机模型预测值比例系数，β′为径向基神经网络模型的预测比例系数，且α′+β′＝1；

α′与β′的确定采用蚁群算法迭代寻优确定，初始化蚁群位置向量x的各维分量，分别为最小二乘支持向量机模型预测值比例系数α′和径向基神经网络模型的预测比例系数β′，目标函数为其中ψ_i为第i组工况实际数据与结合模型预测的生物质炉燃烧特征指标的误差，K为检验样本数量，当方差总和ψ取得了最小、达到设定值或完成迭代次数时，寻优完成；

步骤(4).将最小二乘支持向量机模型与径向基神经网络模型按步骤(3)所确定的最优的比例系数相结合，构成组合模型，即Z′＝α′Z_z+β′Z_s，其中Z′为更新后的组合模型，从而实现一种生物质炉燃料的燃烧优化模型的建立；

步骤(5).针对给定的生物质炉的其它种生物质燃料建模；建模步骤与步骤(2)～(4)一致，获得不同生物质燃料情况下的燃烧模型，如步骤(1)中所述共有n种燃料，因此对应建立n个模型；

步骤(6).将不同的n种生物质燃料的燃烧优化模型组合在一起，构成一个生物质炉燃烧优化整体模型；需要调用模型进行预测时，根据燃料指标，调用相应的燃烧优化模型进行预测。