1.一种燃烧设备运行的控制方法，其特征在于，包括如下步骤：S1、构建自编码器网络；

S2、将燃烧设备归一化之后的原始输入数据S3、使用所述数据

S4、使用所述燃烧设备的产汽量数据S5、使用所述LSTM

S6、将所述预测数据

S7、采用深度ANN

S8、优化所述深度ANNS9、将所述最优输入参数输入所述深度ANN其中，步骤S7包括：

S71、将所述第一拼接数据作为所述深度ANNS72、将所述第二拼接数据作为深度ANN步骤S8采用蝙蝠算法优化所述深度ANNS81、初始化蝙蝠算法的蝙蝠数蝙蝠算法的蝙蝠更新公式如下式所示：其中β为[0,1]内的随机值，S82、设定蝙蝠算法的适应度函数为：其中

S83、采用蝙蝠算法对所述深度ANNS84、重复步骤S83，对所述深度ANN步骤S83包括：

S831、将蝙蝠算法的一个蝙蝠位置S832、将步骤S831中获得的S833、计算所述深度ANNS834、将

S835、计算所述深度ANNS836、蝙蝠算法优化所述深度ANN

2.根据权利要求1所述的方法，其特征在于，所述自编码器网络的输入层到隐含层的输出编码公式为：所述自编码器网络的所述隐含层到输出层的解码公式为：所述自编码器网络的优化目标函数为均方差MSE，计算公式为：

3.根据权利要求1所述的方法，其特征在于，步骤S2包括：S21、设归一化之后的原始输入数据S22、设置自编码的隐含层神经元数目为b，初始值b=a-1；

S23、设置自编码的隐含层神经元数目为b，将归一化之后的原始输入数据S24、设置自编码的隐含层神经元数目为b=b-1，如果b为0，则执行步骤S25，否则执行步骤S23；

S25、选择步骤S23中输出的训练误差MSE最小的一次训练所对应的自编码的隐含层神经元数目b作为自编码的降维后的数据维度m。

4.根据权利要求3所述的方法，其特征在于，在步骤S25中，当包括多个相同的训练误差MSE时，选择最小的b作为自编码的降维后的数据维度m。

5.根据权利要求1所述的方法，其特征在于，步骤S4包括：S41、使用步骤S3训练好的LSTMS42、使用步骤S4训练好的LSTM

6.根据权利要求1所述的方法，其特征在于，在步骤S6中，所述预测数据

7.一种电子设备，其特征在于，所述电子设备能够执行权利要求1-6中任一项所述的燃烧设备运行的控制方法。