CN105808945A - 一种混合智能锅炉效率燃烧优化方法 - Google Patents

Abstract

本发明涉及一种混合智能锅炉效率燃烧优化方法。目前锅炉的燃烧优化主要是靠调试人员进行不同工况的实验获得，费时、费力，也不能根据锅炉的实时变化情况进行在线的优化。本发明方法首先构造与锅炉燃烧效率正相关的指标β＝△TδQ，然后采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型，最后利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化。本发明方法可有效提高锅炉燃烧优化的效率，既可以实施离线优化，也可以进行在线实时燃烧优化。

Description

一种混合智能锅炉效率燃烧优化方法

技术领域

本发明属于信息与控制技术领域，为自动化技术，特别是涉及一种混合智能锅炉效率燃烧优化方法。

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运行状态。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情况。对于给定的锅炉，在一定的负荷条件下，针对燃烧效率，存在一种最优的操作参数配置方案，能够使燃烧效率最优化，但是，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的配置并不容易。尤其是对于锅炉效率来说，有一些计算需要的数据还无法实时在线获得，更使得对锅炉效率进行在线实时优化困难很大。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。

实际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大量的实验来寻找好的运行参数配置，以提供给运行人员作参照，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最优参数配置还存在较大的提升空间，而且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。

通过锅炉燃烧的专业知识和实验分析，构建一个与锅炉效率正相关且计算简单，能够实现在线实时计算的指标，进而以其为目标进行燃烧参数优化，从而可以达到对锅炉效率的在线燃烧优化目标。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，挖掘出运行参数与构造指标间的关系模型，再结合优化算法对进行锅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锅炉生产实际的要求，是困扰工程技术人员的难题，主要难题包括，如何构造与锅炉效率正相关指标，如何提高模型的预测和泛化能力，如何提高模型的增量学习能力，如何丰富锅炉燃烧优化的目标，使之达到兼顾各项指标的更全面的优化的目的。

发明内容

本发明的目标是针对锅炉燃烧效率优化中的难题，构造了一个简单实用的与锅炉效率正相关指标，提出一种混合智能锅炉效率燃烧优化方法。

本发明的技术方案是通过锅炉的数据采集，针对锅炉燃烧效率的指标建立模型，应用并行的优化算法寻优等手段，确立了一种锅炉燃烧优化的方法，利用该方法可有效提高锅炉燃烧优化的效率，既可以实施离线优化也可以进行在线实时燃烧优化。本发明的具体步骤是：

步骤(1)构造与锅炉燃烧效率正相关的指标β＝ΔTδQ,ΔT＝T₁-T₂；T₁为炉膛表征温度，通过非接触式温度测量仪测量或通过锅炉燃烧的DCS系统获得；T₂为尾部烟道表征温度，取空预器后温度或省煤器后温度，从锅炉燃烧的DCS系统获得或直接测量获得；δ为每吨燃煤产生烟气量系数；Q为单位时间燃煤量；

步骤(2)采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型；所述的锅炉运行参数包括各层的一次风速、各层的二次风速、炉膛出口烟气含氧量及燃尽风速，具体建模方法如下：

用于建模样本的输入参数及表征指标β的输出参数表示为其中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组作为输出参数表征指标β，N为样本数量；以实际运行数据为基础，采用支持向量机方法建立锅炉运行参数与指标β间的模型；

支持向量机核函数选为径向基函数：

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

σ为径向基函数的宽度；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；引入两个松弛因子ξ_i≥0和允许拟合误差ε，并设样本点中有k个点的误差超出允许拟合误差ε，0≤k＜N，模型通过在约束：K(x_i,x_j)

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

在鞍点处，函数L是关于w、b、ξ_i、的极小点，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：

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

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：

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

从上式求出b，获得模型；

模型中罚系数C和径向基核函数参数σ的数值的确定，采用优化算法寻优获得；

步骤(3)利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化，具体步骤如下：

①定义粒子群位置向量x的各维分量分别为锅炉运行参数；

②设定粒子群的搜索目标和迭代次数，搜索目标为指标β，迭代次数根据具体的锅炉实时优化的需求确定，范围取10～1000次；

③根据实际锅炉的设计和运行要求设定各运行参数的寻优范围，并初始化位置向量x，然后根据上一步设定的搜索目标，用粒子群算法进行迭代计算，搜索粒子群在参数向量空间内的最优位置；

④当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的锅炉运行可调操作参数组合。

锅炉效率在线实时优化一直是困扰行业研究人员的一个难题，因为其计算复杂而且所需数据不能全部实时获得。本发明方法具体是构造了一个与锅炉效率正相关且计算简单能实现在线实时机选的指标，并进一步采集锅炉实时数据并利用数据挖掘算法，针对该指标进行建模，结合寻优算法对锅炉的运行进行优化，以达到高效的目标。本发明方法既可以在线优化也可以离线优化。

附图说明

图1为指标β与锅炉燃烧效率关系示意图。

具体实施方式

一种混合智能锅炉效率燃烧优化方法，具体是以下步骤：

(1)基于锅炉燃烧专业知识与实验研究，构造与锅炉燃烧效率正相关的指标β＝ΔTδQ,其中ΔT＝T₁-T₂，T₁为炉膛表征温度，可通过非接触式温度测量仪测量获得，如通过红外非接触式温度测量仪，或通过锅炉燃烧的DCS系统获得，T₂为尾部烟道表征温度，可取空预器后温度或省煤器后温度，可从锅炉燃烧的DCS系统获得或直接测量获得；δ为每吨燃煤产生烟气量系数，该系数与煤质有关，可据煤质元素分析数据计算获得，计算公式为成熟且在行业计算中广泛应用公式；也可据煤种和对应锅炉的实验回归获得，如精度要求不太高，也可据相应具体的经验公式获得；Q为单位时间燃煤量。

经申请者大量计算与实验，结果表明指标β与锅炉燃烧效率正相关，其关系如图1所示。因此可以通过优化指标β进而实现优化锅炉燃烧效率的目标，指标β计算简单，可以避开锅炉效率计算所需大量数据，尤其是那些目前还无法在线精确获得的数据，例如飞灰含碳和炉渣含碳等，指标β所需的计算数据均可在线获得，所以可以实时在线优化，进而达到实时在线优化锅炉效率的目的。

(2)采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型；所述的锅炉运行参数包括各层的一次风速、各层的二次风速、炉膛出口烟气含氧量及燃尽风速，具体建模方法如下：

用于建模样本的输入参数及表征指标β指标的输出参数表示为其中x_i表示第i组作为输入数据的锅炉运行参数向量，y_i表示第i组作为输出参数表征指标β，N为样本数量，以实际运行数据为基础，建立锅炉运行参数与指标β间的模型。以下建模数学过程为成熟通用的支持向量机理论建模过程，其数学推导可见于一般的支持向量机理论书籍，在此仅作简要叙述。

支持向量机核函数选为径向基函数：

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

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ξ^* _i≥0和ξ_i≥0和允许拟合误差ε，并设样本点中有k(0≤k＜N)个点的误差超出允许拟合误差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：

$\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\[y_i-({\mathrm{\ξ}}_i+\mathrm{\ϵ}+f(x_i\left)\right)\]\\ -\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。

在鞍点处，函数L是关于w,b,ξ_i,ξ_i ^*的极小点，也是α_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·α_i ^*＝0,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。

模型中罚因子C和径向基核函数参数σ的数值的确定，可以采用优化算法寻优获得，本专利中仅以遗传算为例，说明C和σ的寻优方法：

a.设定遗传算法的初始向量v的各维分量分别为C和σ，及C和σ的寻优区间；

b.设定遗传算法搜索目标、交叉概率设为0.25、变异概率0.25、选择概率设为0.25和迭代次数为100-1000次，搜索目标为最小化预测建模和检验数据的标准差；

c.当遗传算法完成迭代，即获得最优的C和σ参数值。

(3).利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化，具体步骤如下：

d.定义粒子群位置向量x的各维分量分别为锅炉运行参数；

e.设定粒子群的搜索目标和迭代次数，搜索目标为指标β，迭代次数可据具体的锅炉实时优化的需求确定，范围一般在：10到1000次；

f.根据实际锅炉的设计和运行要求设定各运行参数的寻优范围，并初始化位置向量x，然后根据上一步设定的搜索目标，用粒子群算法进行迭代计算，搜索粒子群在参数向量空间内的最优位置；

g.当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的锅炉运行可调操作参数组合。

Claims (2)

1.一种混合智能锅炉效率燃烧优化方法，其特征在于该方法的具体步骤包括：

步骤(1)构造与锅炉燃烧效率正相关的指标β＝△TδQ,△T＝T₁-T₂；T₁为炉膛表征温度，通过非接触式温度测量仪测量或通过锅炉燃烧的DCS系统获得；T₂为尾部烟道表征温度，取空预器后温度或省煤器后温度，从锅炉燃烧的DCS系统获得或直接测量获得；δ为每吨燃煤产生烟气量系数；Q为单位时间燃煤量；

步骤(2)采用支持向量机方法建模，建立指标β与锅炉运行参数间的模型；所述的锅炉运行参数包括各层的一次风速、各层的二次风速、炉膛出口烟气含氧量及燃尽风速，具体建模方法如下：

用于建模样本的输入参数及表征指标β的输出参数表示为其中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组作为输出参数表征指标β，N为样本数量；以实际运行数据为基础，采用支持向量机方法建立锅炉运行参数与指标β间的模型；

支持向量机核函数选为径向基函数：

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

σ为径向基函数的宽度；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；引入两个松弛因子ξ_i≥0和允许拟合误差ε，并设样本点中有k个点的误差超出允许拟合误差ε，0≤k＜N，模型通过在约束：K(x_i,x_j)

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

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

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\[y_i-({\mathrm{\ξ}}_i+\mathrm{\ϵ}+f(x_i))\]\\ -\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,γ_i,

在鞍点处，函数L是关于w、b、ξ_i、的极小点，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：

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

可得拉格朗日函数的对偶函数：

此时，

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

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

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：

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

从上式求出b，获得模型；

模型中罚系数C和径向基核函数参数σ的数值的确定，采用优化算法寻优获得；

步骤(3)利用粒子群优化算法结合所建模型，针对指标β进行锅炉运行参数配置的优化，具体步骤如下：

①定义粒子群位置向量x的各维分量分别为锅炉运行参数；

②设定粒子群的搜索目标和迭代次数，搜索目标为指标β，迭代次数根据具体的锅炉实时优化的需求确定，范围取10～1000次；

③根据实际锅炉的设计和运行要求设定各运行参数的寻优范围，并初始化位置向量x，然后根据上一步设定的搜索目标，用粒子群算法进行迭代计算，搜索粒子群在参数向量空间内的最优位置；

④当粒子群算法完成迭代次数或找到设定要求的最优时，停止计算获得相应最优的位置向量，即获得最优的锅炉运行可调操作参数组合。

2.如权利要求1所述的一种混合智能锅炉效率燃烧优化方法，其特征在于步骤(2)中优化算法寻优获得模型中罚系数C和径向基核函数参数σ的方法采用遗传算法，具体步骤是：

a.设定遗传算法的初始向量v的各维分量分别为C和σ，及C和σ的寻优区间；

b.设定遗传算法搜索目标、交叉概率设为0.25、变异概率0.25、选择概率设为0.25和迭代次数为100-1000次，搜索目标为最小化预测建模和检验数据的标准差；

c.当遗传算法完成迭代，即获得最优的C和σ参数值。