1.本发明属于能源电力
技术领域：
：，尤其涉及一种基于连续时间贝叶斯网络的锅炉燃烧动态过程模型建立方法和装置。
背景技术：
：：2.近年来国内燃煤发电企业面临着生产经营困境，一方面，燃煤电厂节能降耗压力巨大，而大气排放标准日益严苛；另一方面，随着能源电力体制改革深入推进，电网调度灵活调峰要求越来越高。因此，作为电站节能减排的重点和难点，燃煤机组锅炉整体的控制优化和性能提升尤为重要和迫切。然而，目前锅炉性能严重偏离优化值，普遍未实现自动闭环燃烧优化，优化控制严重依赖人工经验；同时，对于锅炉燃烧这种大滞后、强耦合、多输入、多输出的系统，传统技术缺乏有效手段。因此发电企业如何提高锅炉燃烧效率、减少污染物排放将成为其重点考虑的问题之一。而建立锅炉燃烧过程的模型，通过该模型对锅炉燃烧过程进行优化调整，提高锅炉效率并减少污染物排放，是目前常用的方法。3.由于炉膛中的燃烧过程是复杂的物理、化学反应过程，目前缺乏有效的机理模型能够精确反映燃烧过程中剧烈的参数变化。首先需要使用人工智能算法建立锅炉的燃烧动态过程模型，用来反映不同的配风、配煤等燃烧运行方式是如何影响锅炉效率和nox生成量。目前，这种因果关系主要是依靠燃烧调整试验来确定的，但是燃烧调整试验是静态且离散的，然而基于人工智能算法建立的燃烧动态过程模型却是动态且连续的。目前的国内外研究中，对炉膛燃烧过程的建模多使用人工神经网络等算法，这些算法在一定范围内可以反映燃烧过程中各物理量的非线性关系，但是神经网络对锅炉专家是个黑匣子，无法从算法本身去解释燃烧机理，并且在实际使用过程中并不能同时满足对模型的精度和泛化能力的要求。4.模式识别技术已经逐步应用于不同工业领域，对燃煤发电企业来讲，现场存在机组运行的大量数据，其背后隐含了固有的规律和特性。由于锅炉的燃烧过程存在大量的不确定信息，而人工神经网络等算法实现对不确定信息的处理一般比较困难，因此利用人工神经网络算法建立的锅炉燃烧过程模型的精度不高，无法适应电厂生产中复杂多变的工况。5.贝叶斯网络(bayesiannetwork)是数据挖掘和不确定知识表示的理想模型，可以准确地对不确定信息进行表达和推理。因此急需依此建立锅炉运行模式的动态识别新方法，为建立适应动态变负荷调节、分级燃烧精细配风、煤耗与环保协调优化的锅炉智能燃烧实时闭环控制系统奠定基础。同时，连续时间贝叶斯网络(continuous-timebayesiannetwork)引入了连续时间因子，是对燃烧过程在时间序列的变化进行学习，这样可以有效消除延时。总体来说，连续时间贝叶斯网络有效地解决了燃烧控制中多变量耦合、惯性滞后的问题。技术实现要素：6.本发明的目的是提供一种基于连续贝叶斯网络建立锅炉燃烧动态过程模型的方法和装置，特别是用于消除传统控制方法和其他智能控制方法无法解决的大延迟、强耦合问题，根据锅炉的历史运行数据和相关试验数据，创建了基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型，可以动态地识别锅炉运行模式，精准反映锅炉效率和nox生成量与锅炉运行方式之间的多变量非线性因果特性，将专家知识与人工智能深度融合，突破了传统控制无法对多变量耦合、惯性滞后大的系统进行控制的局限，实现了显著提升锅炉效率的同时降低nox生成量。7.本发明一方面提供了一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其中所述锅炉燃烧动态过程模型用于反映锅炉燃烧效率和nox排放量随着不同工况下配风、配煤控制量的变化而变化的因果特性，包括：8.s1，基于锅炉燃烧的专家知识和数据相关性分析设定锅炉燃烧动态过程模型的多个输入变量和多个输出变量；根据所述多个输入变量和所述多个输出变量之间的因果关系，建立所述多个输入变量和所述多个输出变量的反映锅炉燃烧过程的连续时间贝叶斯网络结构；9.s2，获取锅炉燃烧历史运行数据和锅炉燃烧试验数据，基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行离线学习训练后，得到所述连续时间贝叶斯网络结构中所述输入变量和所述输出变量之间的条件概率关系参数，并基于所述条件概率关系参数确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；10.s3，基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。11.优选的，所述s1的所述连续时间贝叶斯网络结构为一个有向无环图，所述有向无环图中包括多个节点，所述有向无环图中的每个节点表示一个与锅炉燃烧过程相关的随机变量，多个节点分为因节点和果节点，其中燃烧控制量作为所述因节点，所述锅炉运行状态参数作为所述果节点，节点之间的有向边则代表了每个所述锅炉运行状态参数受到哪些所述燃烧控制量的影响。12.优选的，所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数的确定包括：13.基于连续时间贝叶斯网络结构，对锅炉的运行历史数据和所述锅炉燃烧试验数据在整个样本空间进行学习训练，从而获得一个条件概率表(conditionprobabilitytable,cpt)；其中所述条件概率表中每一个概率值可以表示为p(xi|parents(xi))，则连续时间贝叶斯网络的联合概率分配可以表示为：[0014][0015]其中parents(xi)表示变量xi的直接前驱节点的联合；xj是对每个相对于xi的因变量，n、i、j为正整数。[0016]优选的，当历史运行数据的观测值完整时，基于最大似然估计法(maximumlikelihoodestimation,mle)获得锅炉燃烧动态过程模型参数，已知训练样本数据为d＝{x1,...,xm}，其中xl＝(xl1,...,xln)t，假设参数集合为θ＝(θ1,...,θn)，其中θi表示变量xi的条件概率向量，则能够反映该训练样本数据的参数的对数概似函数(log-likelihood)为：[0017][0018]其中，p(xli)代表xi的“因”变量，即其直接前驱变量，di代表锅炉的运行历史数据的一个样本，n代表运行历史数据的样本总数。[0019]优选的，为了使训练样本数据的概似值最大化，通过每个事件的发生频率来计算；对于估算连续时间贝叶斯网络结构中变量y的条件概率表，n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数；那么，变量y的一个条件概率的最大似然估计值(maximumlikelihoodestimation)可以由下式求得：[0020][0021]式中，n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数。[0022]优选的，当历史运行数据的观测值不完整(某些时间点的记录有遗漏数据)时，使用em算法(expectation-maximizationalgorithm)确定出参数的区域最佳概似估计值，所述em算法的步骤如下：[0023](1)给定欲估计的参数一个起始值；然后利用所述起始值和其他的观测值，估计其他未观测节点的条件期望值；[0024](2)将所估计的所述条件期望值视为观测值，将此完整的观测值样本带入模型的最大似然估计值中。例如图2所述变量y的一个条件概率的最大似然估计值可以由下式(3)求得，[0025][0026]其中，e[n(x)]代表在目前的估计参数下，变量x＝x的条件概率期望值为：[0027][0028]其中，i(x|d(k))是计数函数，当事件x在第k个训练样本中发生则记1，否则记0；n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数；[0029](3)最大化此最大似然估计式，求出此参数的最大似然值，如此重复步骤(1)和(2)，直到参数收敛为止，获得最佳的锅炉燃烧动态过程模型参数估计值。[0030]优选的，所述s3，基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型包括：[0031]学习连续时间贝叶斯网络结构中锅炉燃烧动态过程模型参数为变量的条件概率密度函数；[0032]学习锅炉燃烧动态过程模型参数为变量的条件强度矩阵(conditionintensitymatrix,cim)，得到连续时间贝叶斯网络(continuoustimebayesiannetwork,ctbn)结构，描述燃烧过程的瞬时动态特性；[0033]基于所述连续时间贝叶斯网络结构，通过基于最大后验概率的贝叶斯推理，预测锅炉燃烧的效果，包括锅炉效率和nox生成量。[0034]本发明的目的还在于提供一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的系统，包括：[0035]连续时间贝叶斯网络结构建立模块，用于根据锅炉燃烧历史运行数据、锅炉燃烧试验数据以及锅炉燃烧的专家知识和数据相关性分析，建立反映锅炉燃烧动态过程的连续时间贝叶斯网络结构；[0036]锅炉燃烧动态过程模型参数确定模块，用于基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行学习训练后，确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；[0037]锅炉燃烧动态过程模型建立模块，用于基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。[0038]本发明的第三方面提供一种电子设备，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第一方面所述的方法。[0039]本发明的第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如第一方面所述的方法。[0040]本发明提供的方法、装置、电子设备以及计算机可读存储介质，具有如下有益的技术效果：[0041]本发明提供的利用连续时间贝叶斯网络算法建立锅炉燃烧动态过程模型的方法和装置：由于连续时间贝叶斯网络能够方便地处理不完全数据，可以在数据样本空间缺失的条件下进行建模，并且能够提供较为直观的概率关联关系模型，因此，基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型可以更加客观地反映锅炉燃烧过程的真实状况，提高了建立的锅炉燃烧动态过程模型的精度，可以适应电厂生产中复杂多变的工况，特别适用于应对大惯性、强耦合、高时延的情况，可以动态地识别锅炉运行模式，精准反映锅炉效率和nox生成量与锅炉运行方式之间的多变量非线性因果特性，并通过辨识燃烧过程在时间序列上的变化实现消除延时，解决了大滞后、高时延的问题；可以进一步用于开发适应动态变负荷调节的锅炉智能燃烧实时闭环控制系统。具体表现在：[0042]1、基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型能够反映锅炉效率和nox排放量如何随着不同的配风、配煤燃烧运行方式而变化的因果特性。不仅可以更好地理解锅炉的燃烧过程，而且在外部干扰较多的时候，可以做出精确的预测。[0043]2、连续时间贝叶斯网络能够方便地处理不完全数据。例如，人工神经网络在处理某些变量有缺值时，其模型的预测结构就会出现很大的偏差，而连续时间贝叶斯网络具有很强的不确定性问题处理能力，该算法可以在数据样本空间缺失的条件下进行建模，并且提供较为直观的概率关联关系模型。因此，基于连续时间贝叶斯网络的锅炉燃烧对象模型可以更加客观地反映锅炉燃烧动态过程的真实状况。[0044]3、连续时间贝叶斯网络是一种数据驱动的人工智能算法，其结构和参数完全是通过对锅炉燃烧的历史运行数据学习、训练得到。因此，基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型的建模算法具有很强的自适应性，这种建模算法适应于所有厂家、型号、容量及燃料的锅炉，在更改研究对象后，不需要重新设计和编制模型构建的主题算法。[0045]4、连续时间贝叶斯推理可以快速地根据机组负荷和煤质等已知锅炉燃烧参数，推断出给煤机、燃烧器、风量、摆角等可调节变量的最大概率值，以及在该工况下锅炉效率和nox排放的概率分布。[0046]5、基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型可以根据用户要求，任意增加或减少输入、输出参数，对输入、输出参数的个数没有限制，并且改变参数的个数并不影响连续时间贝叶斯推理在实时优化控制运算的计算速度。[0047]6、正如本系统的设计方法，连续时间贝叶斯网络与遗传算法相结合，可以有效地避免数据过分拟合问题和训练中的局部极值问题。附图说明[0048]图1为根据本发明优选实施例示出的基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法的流程图；[0049]图2为根据本发明优选实施例示出的反映锅炉燃烧过程的贝叶斯网络结构示意图；[0050]图3为根据本发明优选实施例示出的基于贝叶斯网络的锅炉燃烧动态过程模型结构示意图；[0051]图4为根据本发明优选实施例示出的实现燃烧模型预测的多种模式识别算法roc比较示意图；[0052]图5(a)为根据本发明优选实施例示出的排烟温度的预测效果图；[0053]图5(b)为根据本发明优选实施例示出的nox生成量效果图；[0054]图6为本发明提供的电子设备一种实施例的结构示意图。具体实施方式[0055]下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。[0056]实施例一[0057]本实施例的利用连续时间贝叶斯网络算法建立锅炉燃烧动态过程模型的方法。[0058]参见图1，一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法的流程图，其中所述锅炉燃烧动态过程模型用于反映锅炉燃烧效率和nox排放量随着不同工况下配风、配煤控制量的变化而变化的因果特性，包括：[0059]s1，基于锅炉燃烧的专家知识和数据相关性分析设定锅炉燃烧动态过程模型的多个输入变量和多个输出变量；根据所述多个输入变量和所述多个输出变量之间的因果关系，建立所述多个输入变量和所述多个输出变量的反映锅炉燃烧动态过程的连续时间贝叶斯网络结构；[0060]s2，获取锅炉燃烧历史运行数据和锅炉燃烧试验数据，基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行离线学习训练后，得到所述连续时间贝叶斯网络结构中所述输入变量和所述输出变量之间的条件概率关系参数，并基于所述条件概率关系参数确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；[0061]s3，基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。[0062]对于锅炉的多输入-多输出燃烧动态过程模型来说，其连续时间贝叶斯网络的结构可以由锅炉燃烧的专家知识和相关性分析来确定，而且并不唯一。图2所示一种反映锅炉燃烧过程的连续时间贝叶斯网络结构。如图2所示，连续时间贝叶斯网络中的每个节点表示一个与锅炉燃烧过程相关的随机变量，包括燃烧控制量和锅炉运行状态参数。连接两个节点的箭头代表此两个随机变量是具有因果关系或是非条件独立的；而节点中变量间若没有箭头相互连接一起的情况就称其随机变量彼此间为条件独立。若两个节点间以一个单箭头连接在一起，表示其中一个节点是“因”，另一个是“果”，两节点就会产生一个条件概率值。例如，一次风的风速风量和燃烧器摆角等燃烧控制量的改变都可以直接影响锅炉出口测的co含量，因此这些燃烧控制量都是co含量的“因”节点，即为前述的直接前驱节点。由此可推导，每个燃烧控制量和co含量是具有因果关系或是非条件独立的，因此代表燃烧控制量和co含量的两个节点之间用一个带有单箭头的有向边连接。[0063]在锅炉的多输入-多输出燃烧动态过程模型中，燃烧控制量的改变直接导致了锅炉运行状态的变化，因此在连续时间贝叶斯网络中，燃烧控制量作为“因”节点，锅炉的运行状态参数作为“果”节点，节点之间的有向边则代表了每个锅炉的运行状态参数都受到哪些燃烧控制量的影响。表1表示锅炉燃烧动态过程模型的输入和输出变量，其中输入变量又分为可调控变量和非可调控变量。[0064]表1锅炉燃烧动态过程模型的输入和输出变量[0065][0066][0067]对于s2，基于连续时间贝叶斯网络的燃烧动态过程模型参数的确定[0068]根据锅炉的运行历史数据和相关试验数据，连续时间贝叶斯网络可以自动进行离线学习模型参数，即表示各燃烧变量之间依赖关系的强弱的概率分布，将先验信息与样本知识有机结合起来。[0069]基于连续时间贝叶斯网络的锅炉燃烧动态过程模型参数的确定，是在连续时间贝叶斯网络的结构已定的基础上，通过对锅炉的运行历史数据的整个样本空间进行学习训练后，得到一个条件概率表(conditionprobabilitytable,cpt)。在条件概率表中，每一个概率值可以表示为p(xi|parents(xi))，则连续时间贝叶斯网络的联合概率分配可以表示为，[0070][0071]其中，xj是对每个相对于xi的“因”变量。[0072]当连续时间贝叶斯网络的结构已知，参数的确定分有两种情况：一种情况是训练数据的样本空间完整，另一种情况是样本空间有缺失。由于连续时间贝叶斯网络算法具有很强的不确定性问题处理能力，该算法具备在数据样本空间缺失的条件下进行建模，因此，基于连续时间贝叶斯网络的锅炉燃烧对象模型可以更加客观地反映锅炉燃烧过程的真实状况。[0073]a.连续时间贝叶斯网络结构已知，历史运行数据的观测值完整[0074]此时使用最大似然估计法(maximumlikelihoodestimation,mle)来求连续时间贝叶斯网络的参数。已知训练样本数据为d＝{x1,...,xm}，其中xl＝(xl1,...,xln)t，假设参数集合为θ＝(θ1,...,θn)，其中θi表示变量xi的条件概率向量。则能够反映该训练样本数据的参数的对数概似函数(log-likelihood)为，[0075][0076]其中，p(xli)代表xi的“因”变量，即其直接前驱变量，di代表锅炉的运行历史数据的一个样本，n代表运行历史数据的样本总数。[0077]通常，为了使训练样本数据的概似值最大化，一般通过每个事件的发生频率来计算。例如，估算连续时间贝叶斯网络中变量y的条件概率表。n(y＝y1,w＝w1)表示，在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数。同样地，n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数。那么，变量y的一个条件概率的最大似然估计值(maximumlikelihoodestimation)可以由下式求得，[0078][0079]b.连续时间贝叶斯网络结构已知，历史运行数据的观测值不完整(某些时间点的记录有遗漏数据)[0080]如果有些燃烧过程变量观测不到的话，可以使用em算法(expectation-maximizationalgorithm)来决定出参数的区域最佳概似估计值。em算法的步骤如下：[0081](1)给定欲估计的参数一个起始值，然后利用此起始值和其他的观测值，求出其他未观测节点的条件期望值；[0082](2)将所估计出的值视为观测值，将此完整的观测值样本带入模型的最大似然估计式中。例如，变量y的一个条件概率的最大似然估计值可以由下式求得，[0083][0084]其中，e[n(x)]代表在目前的估计参数下，变量x＝x的条件概率期望值为，[0085][0086]其中，i(x|d(k))是计数函数，当事件x在第k个训练样本中发生则记1，否则记0。[0087](3)最大化此最大似然估计式，求出此参数的最大似然值，如此重复以上步骤(1)和(2)，直到参数收敛为止，即可得到最佳的参数估计值。[0088]根据锅炉的运行历史数据和相关试验数据，连续时间贝叶斯网络可以自动进行离线学习模型参数，即表示各燃烧变量之间依赖关系的强弱的概率分布，将先验信息与样本知识有机结合起来。图3所示系统经过离线学习某一锅炉的运行历史数据，得到该样本锅炉的基于连续时间贝叶斯网络的燃烧动态过程模型。当某个或某些燃烧参数发生改变时，这个模型可以推倒出其他可调节变量的最大概率值，以及在该工况下锅炉效率和nox排放的概率分布。[0089]为了消除锅炉系统的延时问题，本实施例引入了连续时间贝叶斯网络的概念，此方法是通过对时间序列上的变化进行学习来对大滞后、强耦合的锅炉系统进行实时控制。其中，基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型的参数学习的计算步骤如下(以输出变量nox生成量为例)：[0090]stepi：学习连续时间贝叶斯网络各变量的条件概率密度函数。[0091][0092]stepii：学习各变量的条件强度矩阵(conditionintensitymatrix,cim)，得到连续时间贝叶斯网络(continuoustimebayesiannetwork，ctbn)，描述燃烧过程的瞬时动态特性。[0093][0094]其中，xn∈[负荷，煤量，风量，风门开度…]。[0095]stepiii：通过基于最大后验概率的连续时间贝叶斯推理，预测锅炉燃烧的效果，包括锅炉效率和nox生成量。[0096]p(nox|(x1，x2，...，xj))xp((x1，x2，...，xj)|nox)p(nox)[0097][0098][0099]其中，s.t.(x1，x2，...xj)∈[负荷，煤量，风量，风门开度…]。[0100]通过使用多种模式识别算法实现燃烧动态过程模型的建立，其中包括连续时间贝叶斯网络、贝叶斯网络、bp神经网络、遗传编程算法和线性回归算法，如图4所示，试验证明，连续时间贝叶斯网络具有最准确的模型预测性能。[0101]当引入锅炉运行的历史数据并建立模型后，如图5(a)和图5(b)所示，通过对1500组历史数据进行模型验算对比，数据的预测值与实际值的准确程度达到97.4％。模型的整体精确度达标，可以用于性能预测以及输入参数的寻优。[0102]实施例二[0103]一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的系统，包括：[0104]连续时间贝叶斯网络结构建立模块，用于根据锅炉燃烧历史运行数据、锅炉燃烧试验数据以及锅炉燃烧的专家知识和数据相关性分析，建立反映锅炉燃烧过程的连续时间贝叶斯网络结构；[0105]锅炉燃烧动态过程模型参数确定模块，用于基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行学习训练后，确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；[0106]锅炉燃烧动态过程模型建立模块，用于基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。[0107]本发明还提供了一种存储器，存储有多条指令，所述指令用于实现如实施例一所述的方法。[0108]如图6所示，本发明还提供了一种电子设备，包括处理器301和与所述处理器301连接的存储器302，所述存储器302存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行如实施例一所述的方法。[0109]基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型，相比数据挖掘的其他算法，具有以下特点：[0110]1、基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型能够反映锅炉效率和nox排放量如何随着不同的配风、配煤燃烧运行方式而变化的因果特性。不仅可以更好地理解锅炉的燃烧过程，而且在外部干扰较多的时候，可以做出精确的预测。[0111]2、连续时间贝叶斯网络能够方便地处理不完全数据。例如，人工神经网络在处理某些变量有缺值时，其模型的预测结构就会出现很大的偏差，而连续时间贝叶斯网络具有很强的不确定性问题处理能力，该算法可以在数据样本空间缺失的条件下进行建模，并且提供较为直观的概率关联关系模型。因此，基于连续时间贝叶斯网络的锅炉燃烧对象模型可以更加客观地反映锅炉燃烧过程的真实状况。[0112]3、连续时间贝叶斯网络是一种数据驱动的人工智能算法，其结构和参数完全是通过对锅炉燃烧的历史运行数据学习、训练得到。因此，基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型的建模算法具有很强的自适应性，这种建模算法适应于所有厂家、型号、容量及燃料的锅炉，在更改研究对象后，不需要重新设计和编制模型构建的主题算法。[0113]4、连续时间贝叶斯推理可以快速地根据机组负荷和煤质等已知锅炉燃烧参数，推断出给煤机、燃烧器、风量、摆角等可调节变量的最大概率值，以及在该工况下锅炉效率和nox排放的概率分布。[0114]5、基于连续时间贝叶斯网络的多输入-多数出锅炉燃烧动态过程模型可以根据用户要求，任意增加或减少输入、输出参数，对输入、输出参数的个数没有限制，并且改变参数的个数并不影响连续时间贝叶斯推理在实时优化控制运算的计算速度。[0115]6、正如本系统的设计方法，连续时间贝叶斯网络与遗传算法相结合，可以有效地避免数据过分拟合问题和训练中的局部极值问题。[0116]尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页12当前第1页12
技术特征：1.一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其中所述锅炉燃烧动态过程模型用于反映锅炉燃烧效率和nox排放量随着不同工况下配风和配煤控制量的变化而变化的因果特性，其特征在于，包括：s1，基于锅炉燃烧的专家知识和数据相关性分析设定锅炉燃烧动态过程模型的多个输入变量和多个输出变量；根据所述多个输入变量和所述多个输出变量之间的因果关系，建立所述多个输入变量和所述多个输出变量的反映锅炉燃烧过程的连续时间贝叶斯网络结构；s2，获取锅炉燃烧历史运行数据和锅炉燃烧试验数据，基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行离线学习训练后，得到所述连续时间贝叶斯网络结构中所述输入变量和所述输出变量之间的条件概率关系参数，并基于所述条件概率关系参数确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；s3，基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。2.根据权利要求1所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，所述s1的所述连续时间贝叶斯网络结构为一个有向无环图，所述有向无环图中包括多个节点，所述有向无环图中的每个节点表示一个与锅炉燃烧过程相关的随机变量，多个节点分为因节点和果节点，其中燃烧控制量作为所述因节点，所述锅炉运行状态参数作为所述果节点，节点之间的有向边则代表了每个所述锅炉运行状态参数受到哪些所述燃烧控制量的影响。3.根据权利要求1所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数的确定包括：基于连续时间贝叶斯网络结构，对锅炉的运行历史数据和所述锅炉燃烧试验数据在整个样本空间进行学习训练，从而获得一个条件概率表；其中所述条件概率表中每一个概率值可以表示为p(x
i
|parents(x
i
))，则贝叶斯网络的联合概率分配可以表示为：其中parents(x
i
)表示变量x
i
的直接前驱节点的联合；x
j
是对每个相对于x
i
的因变量，n、i、j为正整数。4.根据权利要求3所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，当历史运行数据的观测值完整时，基于最大似然估计法获得锅炉燃烧动态过程模型参数，已知训练样本数据为d＝{x1,...,x
m
}，其中x
l
＝(x
l1
,...,x
ln
)
t
，假设参数集合为θ＝(θ1,...,θ
n
)，其中θ
i
表示变量x
i
的条件概率向量，则能够反映该训练样本数据的参数的对数概似函数(log-likelihood)为：
其中，p(x
li
)代表x
i
的“因”变量，即其直接前驱变量，d
i
代表锅炉的运行历史数据的一个样本，n代表运行历史数据的样本总数。5.根据权利要求4所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，为了使训练样本数据的概似值最大化，通过每个事件的发生频率来计算；对于估算连续时间贝叶斯网络结构中变量y的条件概率表，n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数；那么，变量y的一个条件概率的最大似然估计值可以由下式求得：式中，n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数。6.根据权利要求3所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，当历史运行数据的观测值不完整时，使用em算法确定出参数的区域最佳概似估计值，所述em算法的步骤如下：(1)给定欲估计的参数一个起始值；然后利用所述起始值和其他的观测值，估计其他未观测节点的条件期望值；(2)将所估计的所述条件期望值视为观测值，将此完整的观测值样本带入模型的最大似然估计值中。例如图2所述变量y的一个条件概率的最大似然估计值可以由下式(3)求得，其中，e[n(x)]代表在目前的估计参数下，变量x＝x的条件概率期望值为：其中，i(x|d(k))是计数函数，当事件x在第k个训练样本中发生则记1，否则记0；n(y＝y1,w＝w1)表示在该训练样本数据中，变量y取y1值并且其直接前驱变量w取w1值的次数；n(y＝y1,w＝w2)表示变量y取y1值并且其直接前驱变量w取w2值的次数；(3)最大化此最大似然估计式，求出此参数的最大似然值，如此重复步骤(1)和(2)，直到参数收敛为止，获得最佳的锅炉燃烧动态过程模型参数估计值。7.根据权利要求1所述的一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，其特征在于，所述s3，基于所述基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型包括：学习连续时间贝叶斯网络结构中锅炉燃烧动态过程模型参数为变量的条件概率密度函数；
学习锅炉燃烧动态过程模型参数为变量的条件强度矩阵，得到连续时间贝叶斯网络结构，描述燃烧过程的瞬时动态特性；基于所述连续时间贝叶斯网络结构，通过基于最大后验概率的连续时间贝叶斯推理，预测锅炉燃烧的效果，包括锅炉效率和nox生成量。8.一种基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的系统，用于实施根据权利要求1-7任一所述的方法，其特征在于，包括：连续时间贝叶斯网络结构建立模块，用于根据锅炉燃烧历史运行数据、锅炉燃烧试验数据以及锅炉燃烧的专家知识和数据相关性分析，建立反映锅炉燃烧过程的连续时间贝叶斯网络结构；锅炉燃烧动态过程模型参数确定模块，用于基于所述连续时间贝叶斯网络对锅炉的所述燃烧历史运行数据和所述锅炉燃烧试验数据在整个样本空间进行学习训练后，确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；锅炉燃烧动态过程模型建立模块，用于基于所述连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数，在所述连续时间贝叶斯网络结构中对所述锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立针对大滞后、强耦合的锅炉系统的基于连续时间贝叶斯网络算法的锅炉燃烧动态过程模型。9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
技术总结本发明公开了基于连续时间贝叶斯网络建立锅炉燃烧动态过程模型的方法，包括：基于锅炉燃烧的专家知识和数据相关性分析设定锅炉燃烧动态过程模型的多个输入变量和多个输出变量；根据多个输入变量和多个输出变量之间的因果关系，建立连续时间贝叶斯网络结构；获取锅炉燃烧历史运行数据和锅炉燃烧试验数据，基于连续时间贝叶斯网络对锅炉的燃烧历史运行数据和锅炉燃烧试验数据在整个样本空间进行离线学习训练后，得到条件概率关系参数，并基于条件概率关系参数确定基于连续时间贝叶斯网络结构的锅炉燃烧动态过程模型参数；在连续时间贝叶斯网络结构中对锅炉燃烧动态过程模型参数在时间序列上的变化进行学习，建立大滞后、强耦合锅炉系统的锅炉燃烧动态过程模型。强耦合锅炉系统的锅炉燃烧动态过程模型。强耦合锅炉系统的锅炉燃烧动态过程模型。
技术研发人员：叶翔 王然 马超 李涌斌 王洋 刘星明 陈博伟
受保护的技术使用者：中国大唐集团科学技术研究总院有限公司 广东大唐国际潮州发电有限责任公司
技术研发日：2022.06.02
技术公布日：2022/11/1
