1.一种智能生物质ORC蒸发压力控制设备，其特征在于，包括热解炉、气化炉、分离器、蒸发器、蒸发压力自动调节阀、膨胀机、冷凝器、工质泵和发电机；生物质能作为所述热解炉的燃料，热解炉、气化炉和分离器依次连接，利用分离器将经过热解炉和气化炉的产物进行气固分离且在分离器之前还增加碳酸钙，用于抑制氯化氢的产生；蒸发器和蒸发压力自动调节阀相连，通过蒸发压力自动调节阀，将蒸发压力控制在预设的范围内；膨胀机和发电机相连，带动发电机发电；冷凝器、工质泵和蒸发器依次连接，冷凝器将膨胀机排出的蒸汽冷凝，液态工质进入工质泵加压后再重新回到蒸发器实现热力循环；

所述蒸发压力自动调节阀上设置自动调节装置，所述自动调节装置首先利用SCA‑BP算法预测蒸发压力值，并将预测的所述蒸发压力值反馈至自动调节装置，并调节蒸发压力自动调节阀阀门开度大小，将蒸发压力控制在适宜的范围内。

2.根据权利要求1所述的智能生物质ORC蒸发压力控制设备，其特征在于，所述自动调节装置包括蒸发压力设置单元、蒸发压力检测单元和控制阀门单元，所述蒸发压力检测单元用于检测蒸发器初始化参数，包括蒸发温度、过热度、过冷度和膨胀比；所述蒸发压力设置单元用于根据初始化参数利用SCA‑BP算法预测蒸发压力值，所述控制阀门单元用于根据预测的所述蒸发压力值调节蒸发压力自动调节阀阀门开度大小。

3.根据权利要求1或2所述的智能生物质ORC蒸发压力控制设备，其特征在于，所述SCA‑BP算法预测蒸发压力值具体包括如下步骤：步骤1：读取数据，数据选取相关度高的参数类别，包括蒸发温度、过热度、过冷度和膨胀比；

步骤2：将步骤1中数据集按7：3划分为训练集和测试集；

步骤3：构建BP神经网络模型，初始化网络参数，主要为权值和网络结构初始参数值；

步骤4：计算个体适应度值，记录最优个体位置；

步骤5：判断是否满足最优权值和网络结构初始参数值，若满足，进入步骤6，反之，进入步骤8；

步骤6：进行BP神经网络训练及测试；

步骤7：根据训练及测试后的网络模型输出蒸发压力预测值及误差；

其中，yj表示神经元j的输出蒸发压力预测值；xi表示神经元i的输入初始参数；wij表示神经元与神经元之间的连接权值；aj表示神经元的阈值；f是输入到输出传递函数(也称激活函数)；

步骤8：更新种群个体位置；

步骤9：计算个体适应度值，记录最优个体位置；

步骤10：判断是否达到最大迭代次数,若达到最大迭代次数，则返回步骤5，反之，则返回步骤8。

4.根据权利要求3所述的智能生物质ORC蒸发压力控制设备，其特征在于，所述步骤3中网络结构初始参数值的隐含层节点数确定式：式中，x为输入层节点数，y为输出层节点数，m为随机整数，取值范围在[1,5]；

权值为：

式中，λ为学习效率，取值范围在[0,1]，pi为隐含层输出值，hy为测试样本中第y个输出层的实际值，ly为测试样本中第y个输出层的期望值。

5.根据权利要求3所述的智能生物质ORC蒸发压力控制设备，其特征在于，所述步骤8更新种群个体位置时，改进惯性权重：式中，t为当前迭代次数，T为最大迭代次数，ωmin为惯性权重的最小值，ωmax为惯性权重的最大值，ga(t)为个体适应度值的平均值，gb(t)为个体适应度值的最优值。