CN105718717A - 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 - Google Patents

Abstract

本发明公开了一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置，属于能源电力技术领域。所述方法：设定锅炉燃烧过程模型的输入变量和输出变量；根据输入变量和输出变量之间的因果关系，建立输入变量和输出变量的贝叶斯网络结构；获取锅炉燃烧的历史样本数据；通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数；根据贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数，确定锅炉燃烧过程模型。所述装置：设定模块、建立模块、获取模块、离线学习模块和确定模块。本发明提高了建立的锅炉燃烧过程模型的精度，可以适应电厂生产中复杂多变的工况。

Description

利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置

技术领域

本发明涉及能源电力技术领域，具体涉及一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置。

背景技术

近年来，国内的各种环保规范越来越严格，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。

目前，常用的一种建立锅炉燃烧过程模型的方法是：利用人工神经网络算法建立锅炉燃烧过程模型。

然而，由于锅炉的燃烧过程存在大量的不确定信息，而人工神经网络算法对不确定信息的处理能力比较弱，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。

发明内容

为了解决上述技术的问题，并改善锅炉燃烧模型在建立过程中需要处理大量实施数据造成的计算效率等问题，本发明提供了一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置，提高了建立的锅炉燃烧过程模型的精度，可以适应电厂生产中复杂多变的工况。

为了解决上述问题，本发明公开了一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法，所述方法包括：

设定锅炉燃烧过程模型的输入变量和输出变量；

根据所述输入变量和所述输出变量之间的因果关系，建立所述输入变量和所述输出变量的贝叶斯网络结构；

获取锅炉燃烧的历史样本数据；

通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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；

根据所述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，确定所述锅炉燃烧过程模型。

进一步地，当所述锅炉燃烧的历史样本数据完整时，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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，包括：

利用最大似然估计算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

进一步地，所述最大似然估计算法的公式如下：

$P(Y=y1|W=w1)=\frac{N(Y=y1,W=w1)}{N(Y=y1,W=w1)+N(Y=y1,W=w2)}$

其中，Y表示所述输出变量，y1表示所述输出变量的取值，W表示所述输入变量，w1、w2表示所述输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

进一步地，当所述锅炉燃烧的历史样本数据不完整时，通过使用所述锅炉燃烧的历史样本数据对模型进行离线学习，得到所述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，包括：

利用最大期望算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

进一步地，所述最大期望算法的公式如下：

炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝1，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0； $E\[N(Y=y1,W=w2)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w2\left)\right|D\left(k\right)),$ D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝1，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。

为了解决上述问题，本发明还公开了一种利用贝叶斯网络算法建立锅炉燃烧过程模型的装置，所述装置包括：

设定模块，用于设定锅炉燃烧过程模型的输入变量和输出变量；

建立模块，用于根据所述输入变量和所述输出变量之间的因果关系，建立所述输入变量和所述输出变量的贝叶斯网络结构；

获取模块，用于获取锅炉燃烧的历史样本数据；

离线学习模块，用于通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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；

确定模块，用于根据所述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，确定所述锅炉燃烧过程模型。

进一步地，当所述锅炉燃烧的历史样本数据完整时，所述离线学习模块包括：

第一离线学习单元，用于利用最大似然估计算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

进一步地，所述最大似然估计算法的公式如下：

$P(Y=y1|W=w1)=\frac{N(Y=y1,W=w1)}{N(Y=y1,W=w1)+N(Y=y1,W=w2)}$

其中，Y表示所述输出变量，y1表示所述输出变量的取值，W表示所述输入变量，w1、w2表示所述输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

进一步地，当所述锅炉燃烧的历史样本数据不完整时，所述离线学习模块包括：

第二离线学习单元，用于利用最大期望算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

进一步地，所述最大期望算法的公式如下：

$P(Y=y1|W=w1)=\frac{E\[N(Y=y1,W=w1)\]}{E\[N(Y=y1,W=w1)\]+E\[N(Y=y1,W=w2)\]}$

其中， $E\[N(Y=y1,W=w1)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w1\left)\right|D\left(k\right)),$ D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝6，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0； $E\[N(Y=y1,W=w2)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w2\left)\right|D\left(k\right)),$ D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝6，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。

本发明提供的利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置：由于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，基于贝叶斯网络结构的锅炉燃烧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过程模型的精度，可以适应电厂生产中复杂多变的工况。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例提供的一种贝叶斯网络结构和参数的示意图；

图2是本发明实施例提供的一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法示意图；

图3是本发明实施例提供的一种反映锅炉燃烧过程的贝叶斯网络结构的示意图；

图4是本发明实施例提供的包含所述输入变量和所述输出变量之间的条件概率关系参数的锅炉燃烧过程模型的示意图；

图5是本发明实施例提供的一种利用贝叶斯网络算法建立锅炉燃烧过程模型的装置结构示意图。

具体实施方式

以下将配合附图及实施例来详细说明本发明的实施方式，藉此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。

本实施例的利用贝叶斯网络算法建立锅炉燃烧过程模型的方法通过贝叶斯网络建模算法实现，为了便于理解，下面先介绍一个贝叶斯网络建模算法：

贝叶斯网络是模拟人的认知思维推理模式，用有向无环图以及一组条件概率函数对不确定性的因果推理关系建模，因此其具有很高的实用价值。一个贝叶斯网络定义包括一个有向无环图(DirectedAcyclicGraph，DAG)和一个条件概率表集合。DAG中每一个节点表示一个随机变量，可以是可直接观测变量或隐藏变量，而有向边表示随机变量间的条件依赖；条件概率表中的每一个元素对应DAG中唯一的节点，存储此节点对于其所有直接前驱节点的联合条件概率。贝叶斯网络的一条极为重要的性质是，每一个节点在其直接前驱节点的值确定后，这个节点条件独立于其所有非直接前驱前辈节点。这条特性的重要意义在于明确了贝叶斯网络可以方便地计算联合概率分布。一般情况下，多变量的非独立联合条件概率分布由如下公式求得：

P(x₁,x₂,...,x_n)＝P(x₁)P(x₂|x₁)P(x₃|x₁,x₂)...P(x_n|x₁,x₂,...,x_n-1)(1)

而在贝叶斯网络中，由于存在前述性质，任意随机变量组合的联合条件概率分布可以被简化成为：

$P(x_1,x_2,...,x_n)=\underset{i=1}{\overset{n}{\Π}}P\left(x_i\right|Pa\left(x_i\right))---\left(2\right)$

其中，Pa(x_i)(也可以记为Parents(x_i))表示变量x_i的直接前驱节点的联合，概率值可以从由历史数据训练得到的相应条件概率表中查到。由此可见，贝叶斯网络很大程度地减少了联合条件概率的计算量，因此可以保证实时优化控制运算的计算速度。

参见图1，为一个贝叶斯网络结构和参数的例子，贝叶斯网络结构和参数中，每个节点代表一个随机变量，分别为W,X,Y,V,Z，其结构由有向无环图(DAG)表示，每个节点的参数由一个条件概率表(CPT)表示。其中，每条单箭头连线表示两个变量之间的条件依赖，例如，W→Y表示W是“因(parents)”变量，Y是“果(descendantsorchildren)”变量。此外，除了有向无环图表示贝叶斯网络的结构，每个节点都具有一个条件概率表(ConditionalProbabilityTable，CPT)，表示在该节点的所有“因”变量的每一种可能的状态组合的条件下，这个节点的每种状态发生的条件概率值。例如，节点W具有两种状态，w1和w2，那么，他的“果”节点Y具有条件概率值包括P(y1|w1),P(y2|w1),P(y1|w2)和P(y2|w2)。

由贝叶斯网络的结构可知，变量X并不是变量Y的“果”节点，而且变量Y只有一个直接前驱节点W，根据马科夫假设，P(Y|W,X)＝P(Y|W)，代入公式(2)可以得，

P(W,X,Y,V,Z)＝P(W)P(X)P(Y|W)P(V|Y)P(Z|X,Y)(3)

就使用方法来说，贝叶斯网络建模算法主要用于概率推理及决策，具体来说，就是在信息不完备的情况下通过可以观察随机变量推断不可观察的随机变量，并且不可观察随机变量可以多于以一个，一般初期将不可观察变量置为随机值，然后进行概率推理。

实施例一

图2为本发明实施例一提供的一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法；如图2所示，其可以具体包括：

S101：设定锅炉燃烧过程模型的输入变量和输出变量。

具体地，锅炉燃烧过程模型的输入变量可以包括可调控变量和非可调控变量，参见表1，锅炉燃烧过程模型的输入变量和输出变量可以包括表1中的一种或多种或其他变量，对此不做限制，可以根据实际应用状况进行设置。

表1

S102：根据输入变量和输出变量之间的因果关系，建立输入变量和输出变量的贝叶斯网络结构。

对于锅炉的多输入-多输出燃烧过程模型来说，其输入变量和输出变量的贝叶斯网络结构可以由锅炉燃烧的专家知识和经验来确定，而且并不唯一。参见图3，为一种反映锅炉燃烧过程的贝叶斯网络结构。如图3所示，贝叶斯网络结构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在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(parents)”，另一个是“果(descendantsorchildren)”，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。

在锅炉的多输入-多输出燃烧过程模型中，燃烧控制量的改变直接导致了锅炉运行状态的变化，因此在贝叶斯网络结构中，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。

S103：获取锅炉燃烧的历史样本数据。

具体地，可以收集大量的锅炉燃烧的历史样本数据，用于建立锅炉燃烧过程模型。

例如：收集的锅炉燃烧的历史样本数据D包括n个学习样本，每个学习样本包括m个变量，则锅炉燃烧的历史样本数据D如下：

$D=\left\{\begin{array}{c}x11,x12,...,x1m\\ x21,x22,...,x2m\\ ......\\ xn1,xn2,...,xnm\end{array}\right\}$

S104：通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数。

根据锅炉燃烧的历史样本数据，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。

锅炉燃烧过程模型的条件概率关系参数的确定，是在贝叶斯网络结构已定的基础上，通过对锅炉燃烧的历史样本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(X_i|pa(X_i))，则贝叶斯网络的联合概率分配可以表示为： $P(X_1=x_1,...,X_n=x_n)=\underset{i-1}{\overset{n}{\Π}}P(X_i=x_i|X_j=x_j),$ 其中，X_n表示第n个变量，x_n表示第n个变量的取值，X_j是对每个相对于X_i的所有“因”变量。

当贝叶斯网络结构已知，条件概率关系参数的确定可以分两种情况：一种情况是锅炉燃烧的历史样本数据的样本空间完整。另一种情况是锅炉燃烧的历史样本数据的样本空间有缺失。由于贝叶斯网络算法具有很强的不确定性问题的处理能力，该算法具备在锅炉燃烧的历史样本数据的样本空间缺失的条件下进行建模，因此，基于贝叶斯网络的锅炉燃烧过程模型可以更加客观地反映锅炉燃烧过程的真实状况。

具体地，当锅炉燃烧的历史样本数据完整时，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数，包括：

利用最大似然估计算法，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数。

其中，最大似然估计算法的公式如下：

$P(Y=y1|W=w1)=\frac{N(Y=y1,W=w1)}{N(Y=y1,W=w1)+N(Y=y1,W=w2)}---\left(4\right)$

其中，Y表示输出变量，y1表示输出变量的取值，W表示输入变量，w1、w2表示输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

需要说明的是，实际运算中，贝叶斯网络结构中存在关系的输入变量和输出变量通过公式(4)分别计算出条件概率关系参数，从而得到所有输入变量和输出变量的条件概率关系参数。

具体地，当锅炉燃烧的历史样本数据不完整时，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数，包括：

利用最大期望算法(EM，Expectation-MaximizationAlgorithm)，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数。

其中，最大期望算法的公式如下：

$P(Y=y1|W=w1)=\frac{E\[N(Y=y1,W=w1)\]}{E\[N(Y=y1,W=w1)\]+E\[N(Y=y1,W=w2)\]}---\left(5\right)$

其中， $E\[N(Y=y1,W=w1)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w1\left)\right|D\left(k\right))---\left(6\right),$ D(k)表示第k个锅炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝1，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0； $E\[N(Y=y1,W=w2)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w2\left)\right|D\left(k\right))---\left(7\right),$ D(k)表示第k个锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝1，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。

需要说明的是，实际运算中，首先给欲估计的条件概率关系参数一个起始值，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，接着将所估计出的值视为观测值，将此完整的观测值样本代入式(5)中，最大化式(5)，求出此条件概率关系参数的最大似然值，如此重复步骤(5)，直到条件概率关系参数收敛为止，即可得到最佳的条件概率关系参数估计值。

另外需要说明的是，当锅炉燃烧的历史样本数据为 $D=\left\{\begin{array}{c}x11,x12,...,x1m\\ x21,x22,...,x2m\\ ......\\ xn1,xn2,...,xnm\end{array}\right\},$ 其中x_l＝(x_l1,...,x_ln)^T，假设条件概率关系参数集合为Θ＝(θ₁,...,θ_n)，其中θ_i表示变量X_i的条件概率向量。则能够反映锅炉燃烧的历史样本数据的条件概率关系参数的对数概似函数(Log-likelihood)为：

$\log L\left(\mathrm{\Θ}\right|D)=\underset{m}{\Σ}\left(\underset{n}{\Σ}\right(\log P\left(x_{li}\right)\left|pa\right(X_i),{\mathrm{\θ}}_i,D_i))---\left(6\right)$

其中，pa(X_i)代表X_i的“因”变量，即其直接前驱变量，D_i代表锅炉燃烧的历史样本数据的第i个样本，n代表运行历史数据的样本总数。

通过公式(4)或公式(5)得到的条件概率关系参数，带回公式(6)，应该得到最大的L，即似然概率值，说明公式(4)或公式(5)对应的条件概率关系参数可以最好地描述锅炉燃烧的历史样本数据。

S105：根据贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数，确定锅炉燃烧过程模型。

参见图4，为经过离线学习某锅炉的锅炉燃烧的历史样本数据，得到某锅炉的基于贝叶斯网络结构的锅炉燃烧过程模型。当某个或某些燃烧参数发生改变时，这个锅炉燃烧过程模型可以推导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。

本实施例所述的利用贝叶斯网络算法建立锅炉燃烧过程模型的方法，由于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，基于贝叶斯网络结构的锅炉燃烧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过程模型的精度，可以适应电厂生产中复杂多变的工况。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样本数据进行学习、训练得到，因此，基于贝叶斯网络结构的锅炉燃烧过程模型具有很强的自适应性，贝叶斯网络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。基于贝叶斯网络结构的锅炉燃烧过程模型可以根据需要，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。不同于人工神经网络，贝叶斯网络的泛化能力和模型精度是同时增加的，贝叶斯网络可以根据新的训练样本，随时对网络参数进行更新，而且随着训练样本的增多，贝叶斯网络可以更准确地反映变量之间的因果关系。

实施例二

图5为本发明实施例二提供的一种利用贝叶斯网络算法建立锅炉燃烧过程模型的装置，如图5所示，其可以具体包括：

设定模块201，用于设定锅炉燃烧过程模型的输入变量和输出变量；

建立模块202，用于根据输入变量和输出变量之间的因果关系，建立输入变量和输出变量的贝叶斯网络结构；

获取模块203，用于获取锅炉燃烧的历史样本数据；

离线学习模块204，用于通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数；

确定模块205，用于根据贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数，确定锅炉燃烧过程模型。

进一步地，当锅炉燃烧的历史样本数据完整时，离线学习模块204包括：

第一离线学习单元，用于利用最大似然估计算法，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数。

进一步地，最大似然估计算法的公式如下：

$P(Y=y1|W=w1)=\frac{N(Y=y1,W=w1)}{N(Y=y1,W=w1)+N(Y=y1,W=w2)}$

其中，Y表示输出变量，y1表示输出变量的取值，W表示输入变量，w1、w2表示输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

进一步地，当锅炉燃烧的历史样本数据不完整时，离线学习模块204包括：

第二离线学习单元，用于利用最大期望算法，通过使用锅炉燃烧的历史样本数据对锅炉燃烧过程模型进行离线学习，得到贝叶斯网络结构中输入变量和输出变量之间的条件概率关系参数。

进一步地，最大期望算法的公式如下：

$P(Y=y1|W=w1)=\frac{E\[N(Y=y1,W=w1)\]}{E\[N(Y=y1,W=w1)\]+E\[N(Y=y1,W=w2)\]}$

其中， $E\[N(Y=y1,W=w1)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w1\left)\right|D\left(k\right)),$ D(k)表示第k个锅炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝6，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0； $E\[N(Y=y1,W=w2)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w2\left)\right|D\left(k\right)),$ D(k)表示第k个锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝6，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。

本实施例所述的利用贝叶斯网络算法建立锅炉燃烧过程模型的装置，由于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，基于贝叶斯网络结构的锅炉燃烧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过程模型的精度，可以适应电厂生产中复杂多变的工况。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样本数据进行学习、训练得到，因此，基于贝叶斯网络结构的锅炉燃烧过程模型具有很强的自适应性，贝叶斯网络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。基于贝叶斯网络结构的锅炉燃烧过程模型可以根据需要，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。不同于人工神经网络，贝叶斯网络的泛化能力和模型精度是同时增加的，贝叶斯网络可以根据新的训练样本，随时对网络参数进行更新，而且随着训练样本的增多，贝叶斯网络可以更准确地反映变量之间的因果关系。

所述装置与前述的方法流程描述对应，不足之处参考上述方法流程的叙述，不再一一赘述。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方法，其特征在于，所述方法包括：

设定锅炉燃烧过程模型的输入变量和输出变量；

根据所述输入变量和所述输出变量之间的因果关系，建立所述输入变量和所述输出变量的贝叶斯网络结构；

获取锅炉燃烧的历史样本数据；

通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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；

根据所述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，确定所述锅炉燃烧过程模型。

2.如权利要求1所述的方法，其特征在于，当所述锅炉燃烧的历史样本数据完整时，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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，包括：

利用最大似然估计算法，通过所述锅炉燃烧的历史样本数据离线学习，得到所述贝叶斯网络结构的所述输入变量和所述输出变量之间的条件概率关系参数。

3.如权利要求2所述的方法，其特征在于，所述最大似然估计算法的公式如下：

$P\left(Y=y1|W=w1\right)=\frac{N\left(Y=y1,W=w1\right)}{N\left(Y=y1,W=w1\right)+N\left(Y=y1,W=w2\right)}$

其中，Y表示所述输出变量，y1表示所述输出变量的取值，W表示所述输入变量，w1、w2表示所述输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

4.如权利要求1所述的方法，其特征在于，当所述锅炉燃烧的历史样本数据不完整时，通过所述锅炉燃烧的历史样本数据离线学习，得到所述贝叶斯网络结构的所述输入变量和所述输出变量之间的条件概率关系参数，包括：

利用最大期望算法，通过所述锅炉燃烧的历史样本数据离线学习，得到所述贝叶斯网络结构的所述输入变量和所述输出变量之间的条件概率关系参数。

5.如权利要求4所述的方法，其特征在于，所述最大期望算法的公式如下：

$P\left(Y=y1|W=w1\right)=\frac{E\[N\left(Y=y1,W=w1\right)\]}{E\[N\left(Y=y1,W=w1\right)\]+E\[N\left(Y=y1,W=w2\right)\]}$

其中， $E\[N(Y=y1,W=w1)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w1\left)\right|D\left(k\right)),$ D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝1，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0；D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝1，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。

6.一种利用贝叶斯网络算法建立锅炉燃烧过程模型的装置，其特征在于，所述装置包括：

设定模块，用于设定锅炉燃烧过程模型的输入变量和输出变量；

建立模块，用于根据所述输入变量和所述输出变量之间的因果关系，建立所述输入变量和所述输出变量的贝叶斯网络结构；

获取模块，用于获取锅炉燃烧的历史样本数据；

离线学习模块，用于通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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；

确定模块，用于根据所述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，确定所述锅炉燃烧过程模型。

7.如权利要求6所述的装置，其特征在于，当所述锅炉燃烧的历史样本数据完整时，所述离线学习模块包括：

第一离线学习单元，用于利用最大似然估计算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

8.如权利要求7所述的装置，其特征在于，所述最大似然估计算法的公式如下：

$P\left(Y=y1|W=w1\right)=\frac{N\left(Y=y1,W=w1\right)}{N\left(Y=y1,W=w1\right)+N\left(Y=y1,W=w2\right)}$

其中，Y表示所述输出变量，y1表示所述输出变量的取值，W表示所述输入变量，w1、w2表示所述输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

9.如权利要求6所述的装置，其特征在于，当所述锅炉燃烧的历史样本数据不完整时，所述离线学习模块包括：

第二离线学习单元，用于利用最大期望算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述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。

10.如权利要求9所述的装置，其特征在于，所述最大期望算法的公式如下：

$P\left(Y=y1|W=w1\right)=\frac{E\[N\left(Y=y1,W=w1\right)\]}{E\[N\left(Y=y1,W=w1\right)\]+E\[N\left(Y=y1,W=w2\right)\]}$

其中，D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w1)|D(k))是计数函数，当Y＝y1、W＝w1在D(k)中存在则I((Y＝y1,W＝w1)|D(k))＝6，当Y＝y1、W＝w1在D(k)中不存在则I((Y＝y1,W＝w1)|D(k))＝0； $E\[N(Y=y1,W=w2)\]=\underset{k}{\Σ}I\left(\right(Y=y1,W=w2\left)\right|D\left(k\right)),$ D(k)表示第k个所述锅炉燃烧的历史样本数据，I((Y＝y1,W＝w2)|D(k))是计数函数，当Y＝y1、W＝w2在D(k)中存在则I((Y＝y1,W＝w2)|D(k))＝6，当Y＝y1、W＝w2在D(k)中不存在则I((Y＝y1,W＝w2)|D(k))＝0。