李 杨，蓝茂蔚，赵国钦，周元祥，江政纬，甘云华

（1.西安热工研究院有限公司，陕西 西安 710054；2.华南理工大学电力学院，广东 广州 510640；3.广东粤电靖海发电有限公司，广东 揭阳 515223）

截至2020 年底，我国火电机组装机容量为124 517 万kW，占全国装机容量的56.6%，由此可见，提高火电机组发电效率对保证完成碳达峰碳中和的“3060 目标”具有十分重要的意义[1-2]。

锅炉效率是反映锅炉运行经济性的重要技术指标。电站锅炉效率采用正反平衡计算，而现代大型电站锅炉的热效率常采用反平衡法来计算，通过求出锅炉的各项热损失来计算锅炉效率，因此需要现场采集排烟温度、干烟气体积、飞灰含碳量、炉渣可燃物等数据，实际操作十分复杂，且测试计算时间较长，对锅炉燃烧调整滞后性较大。同时锅炉效率受到煤种、锅炉负荷、配风方式等多种因素的影响，且各参数之间互相耦合，导致数据分析困难[3-4]。燃烧过程还伴随着能量转换、物理化学变化、强耦合和非线性等特性，是一个非常复杂的过程，从而难以用机理模型来正确描述。而人工智能技术在电站锅炉燃烧系统的应用，可以有效保留参数之间的复杂非线性关系，能够高效准确建立锅炉燃烧系统预测模型，对调整燃烧工况，进一步提高锅炉燃烧效率具有重要意义[5-6]。

Fan 等人[7]提出了一种使用连续受限玻尔兹曼机和支持向量机（support vector machine，SVM）的新型深层结构，并使用粒子群优化（particle swarm optimization，PSO）算法优化SVM的模型参数。Tang 等人[8]基于最小二乘支持向量机（least squares support vector machines，LSSVM）和差分进化方法构建了电站炉膛温度的预测模型，并对锅炉燃烧进行了优化。……