CN114819238A - 燃气锅炉的烟气含氧量预测方法及装置 - Google Patents

燃气锅炉的烟气含氧量预测方法及装置 Download PDF

Info

Publication number
CN114819238A
CN114819238A CN202110041362.5A CN202110041362A CN114819238A CN 114819238 A CN114819238 A CN 114819238A CN 202110041362 A CN202110041362 A CN 202110041362A CN 114819238 A CN114819238 A CN 114819238A
Authority
CN
China
Prior art keywords
oxygen content
flue gas
model
prediction model
content prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110041362.5A
Other languages
English (en)
Inventor
余真鹏
杨杰
刘胜伟
李增祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202110041362.5A priority Critical patent/CN114819238A/zh
Publication of CN114819238A publication Critical patent/CN114819238A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明适用于燃气分布式能源领域，提供了燃气锅炉的烟气含氧量预测方法及装置，该方法包括：获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。该实施例实现了无需使用传感器测量烟气含氧量，能够实时监测烟气含氧量，便于维护，降低测量误差，同时联合烟气含氧量预测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气含氧量。

Description

燃气锅炉的烟气含氧量预测方法及装置
技术领域
本发明属于燃气分布式能源领域，尤其涉及燃气锅炉的烟气含氧量预测方法及装置。
背景技术
烟气含氧量是指燃料燃烧之后排出的烟气中的含量，它是燃气锅炉燃烧的一个重要指标，其值的大小与燃气锅炉结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。在燃气锅炉的实际运行过程中，为了让燃料可以充分燃烧，实际供给的空气量比理论上的空气供给量要大的多。这多供给的空气量，我们通常称它为过量空气量。过量空气系数就是实际供给空气量与理论供给空气量的比值。烟气含氧量过低，即过量空气系数越小，会导致供给燃气锅炉燃烧的氧气量不足，燃料不能充分燃烧，热损失增加；烟气含氧量过高，即过量空气系数越大，会使燃气锅炉的热效率降低，不但影响燃烧，同时容易造成环境污染物排放超标，也增加了排烟的耗电量。因此，将燃气锅炉的烟气含氧量控制在合理的范围内，对于节约能源、维护燃气锅炉经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气锅炉的烟气含氧量是衡量燃气锅炉是否安全、经济、环保运行的重要标志之一。
目前，工业中一般使用氧化锆传感器来测量烟气含氧量。
但是，这种传感器存在成本高、测量滞后大、维护困难、测量误差大、寿命短等许多缺点，不适合在分布式能源以中小型燃气锅炉为主的场景中长期使用。
发明内容
有鉴于此，本发明实施例提供了燃气锅炉的烟气含氧量预测方法及装置，仅需要少量的标签数据，能够克服传感器完全实际测量的缺点，也不需要像物理建模那样依赖大量物理参数。
本发明实施例的第一方面提供了一种燃气锅炉的烟气含氧量预测方法，包括：获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
本发明实施例的第二方面提供了一种燃气锅炉的烟气含氧量预测装置，包括：获取模块，被配置成获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；确定模块，被配置成从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；生成模块，被配置成根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
本发明实施例的第四方面提供了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计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：首先，获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；然后，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；最后，根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量烟气含氧量，能够实时监测烟气含氧量，便于维护，降低测量误差，同时联合烟气含氧量预测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气含氧量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一实施例提供的一种燃气锅炉的烟气含氧量预测方法的流程示意图；
图2为本发明一实施例提供的另一种燃气锅炉的烟气含氧量预测方法的结构示意图；
图3为本发明一实施例提供的一种燃气锅炉的烟气含氧量预测装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图；
图5为本发明一实施例提供的场景应用图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种燃气锅炉的烟气含氧量预测方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气锅炉的烟气含氧量预测方法，包括如下各个步骤：
步骤101，获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库。
在一些实施例中，执行主体可以通过有线或无线的方式获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库。
具体地，目标燃气锅炉的客户端通过API接口发送目标燃气锅炉的烟气含氧量测量模型请求，也就是发起了模型调用。可选地，客户端设置在本地服务器上。
具体地，模型数据库可以理解为存储联合学习模型的数据库，在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型，可以理解的，本申请实施例提供的目标燃气锅炉的烟气含氧量测量方法，涉及联合学习物联网平台及目标燃气锅炉的客户端的交互。并且，可以适用于至少一个客户端与一个联合学习物联网平台的交互的场景，或者，还可以适用于至少一个客户端与多个联合学习物联网平台的场景中，即通过将待调用的模型数据库布置在每个联合学习物联网平台上，其中任一个联合学习物联网平台都可以为客户端提供服务，实现模型数据库中的模型的调用。还可以理解，在上述两个场景下，每个联合学习物联网平台可以设置有模型数据库及控制层。该模型数据库中存储有至少一个联合学习模型，该控制层可以基于客户端的模型调用的请求，实现模型数据库中的模型的调用。这里，联合学习物联网平台相当于服务端。
在一些实施例的一些可选的实施方式中，基于业务需求确定模型数据库，具体地，步骤101，包括：获取目标燃气锅炉的业务需求以及各个候选模型数据库各自的业务类型；根据目标燃气锅炉的业务需求以及各个候选模型数据库各自的业务类型，从各个候选模型数据库中，确定出模型数据库。
可以理解的是，业务需求包括故障诊断、变量预测、异常监测，应当理解的，不同的业务需求对模型精度要求不同，同时，模型类型也是不同的，比如回归模型，分类模型，为了便于管理，同时确保能够满足不同业务需求，可以预先设有多个候选模型数据库，每个候选模型数据库对应一个业务类型，并将在实际应用过程中产生的联合学习模型放入到对应的候选模型数据库中，优选地，可以设置放入候选模型数据库的条件，将不满足条件的联合学习模型放到其他数据库中，确保候选模型数据库的参考价值。烟气含氧量测量模型请求携带业务需求。其中，业务类型指示了模型的用途，比如，故障诊断、变量预测、异常监测。
具体地，联合学习物联网平台从多个候选模型数据库各自的业务类型中，选择能够满足业务需求的若干个候选模型数据库，并将若干个模型数据库聚合成模型数据库，用于模型调用。
步骤102，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型。
在一些实施例中，上述执行主体可以从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型。
在一些实施例的一些可选的实施方式中，获取所述模型数据库对应的模型信息库以及烟气含氧量预测模型描述信息；判断所述模型信息库中是否存在所述烟气含氧量预测模型描述信息；当所述模型数据库中存在所述烟气含氧量预测模型描述信息时，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型。
模型信息库用于存储描述模型数据库中的联合学习模型的信息，比如，可以是模型用途、模型名称、模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数等信息。模型数据库用于存储联合学习模型。
联合学习物联网平台判断模型信息库中是否存在烟气含氧量预测模型请求对应的烟气含氧量预测模型描述信息，比如模型名称，模型名称的同义词(含义相同但是表述不同的词)等，如果模型信息库中存在烟气含氧量预测模型描述信息，则说明模型数据库中存在烟气含氧量预测模型请求对应的烟气含氧量预测模型，此时，从模型数据库中提取出烟气含氧量预测模型请求对应的烟气含氧量预测模型即可，完成模型调用。
应当理解的，烟气含氧量预测模型请求携带烟气含氧量预测模型描述信息。
在一些实施例的一些可选的实施方式中，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的至少一个烟气含氧量预测模型以及至少一个所述烟气含氧量预测模型各自的业务信息。
可以理解的，业务信息指的是应用烟气含氧量预测模型所产生的相关信息以及烟气含氧量预测模型本身的相关信息。具体地，业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数。其中，模型精度是基于使用模型的用户上传的反馈数据确定的，反馈数据包括预测值和实际值。需要说明的是，上述业务信息仅仅作为示例，实际应用中，对业务信息可以是多种多样的，具体可根据实际的业务需求预先设置想要获取的业务信息所对应的字段名称，将其封装在请求内，使得请求携带业务信息所对应的字段名称。
步骤103，根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
在一些实施例中，上述执行主体可以根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。具体地，将目标燃气锅炉的运行数据代入烟气含氧量预测模型中，预测目标燃气锅炉的烟气含氧量。应当理解的，得到的烟气含氧量模型综合考虑了其他燃气锅炉的运行数据，从而具有相对较高的准确性，实现了模型迁移。
在一些实施例的一些可选的实施方式中，响应于所述烟气含氧量大于预设阈值，向所述目标燃气锅炉对应的具有语音功能的终端设备上发送报警音频，并进行播放。
本公开的一些实施例公开的燃气锅炉的烟气含氧量预测方法，首先，获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；然后，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；最后，根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量烟气含氧量，能够实时监测烟气含氧量，便于维护，降低测量误差，同时联合烟气含氧量预测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气含氧量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述燃气锅炉的烟气含氧量预测方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。
本实施例所结合的具体场景为：如图5所示，联合学习物联网平台T包括模型数据库、模型信息库，模型数据库中存储多个联合学习模型，模型信息库用户存储多个联合学习模型的相关信息，燃气锅炉1、燃气锅炉2以及燃气锅炉3设置有传感器，传感器采集的燃气锅炉运行数据存储在对应的监测客户端C内，监测客户端C部署在本地运维服务器S上。
所述方法具体包括以下步骤：
步骤201、获取燃气锅炉的烟气含氧量预测模型请求、模型数据库、所述模型数据库对应的模型信息库。
燃气锅炉对应的监测客户端C通过API接口发送燃气锅炉的烟气含氧量预测模型请求。
联合学习物联网平台T接收燃气锅炉的烟气含氧量预测模型请求。
步骤202、从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的至少一个烟气含氧量预测模型以及至少一个所述烟气含氧量预测模型各自的业务信息。
联合学习物联网平台T判断模型信息库中是否存在烟气含氧量预测模型描述信息，比如，模型名称，模型名称的同义词，示例地，燃气锅炉烟气含氧量预测模型，燃气锅炉烟气含氧量预测模型。
联合学习物联网平台T从模型数据库中确定出烟气含氧量预测模型请求对应的各个烟气含氧量预测模型，并从模型信息库中确定出各个烟气含氧量预测模型各自的业务信息。
步骤203、根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
监测客户端C将其接收到的目标燃气锅炉的实时运行数据代入烟气含氧量预测模型，生成所述目标燃气锅炉的烟气含氧量。
通过以上技术方案可知，本实施例存在的有益效果是：基于联合学习物联网平台与燃气锅炉的客户端之间的交互，实现模型调用，从而快速实时准确的预测燃气锅炉的烟气含氧量。
图3是本发明实施例提供的燃气锅炉的烟气含氧量预测装置的示意图；上述燃气锅炉的烟气含氧量预测装置300，包括：获取模块301，确定模块302和生成模块303。获取模块301，被配置成获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；确定模块302，被配置成从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；而生成模块303，被配置成根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的确定模块302被进一步配置成：从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的至少一个烟气含氧量预测模型以及至少一个所述烟气含氧量预测模型各自的业务信息。
在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的生成模块303被进一步配置成：根据至少一个所述烟气含氧量预测模型各自的业务信息，从至少一个所述烟气含氧量预测模型中，确定目标烟气含氧量预测模型；根据所述目标烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
在一些实施例的一些可选的实施方式中，业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数中的任意一项或多项。
在一些实施例的一些可选的实施方式中，所述获取模型数据库，包括：获取所述目标燃气锅炉的业务需求以及各个候选模型数据库各自的业务类型；根据所述目标燃气锅炉的业务需求、各个所述候选模型数据库以及各个所述候选模型数据库各自的业务类型，确定出模型数据库。
在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的确定模块302被进一步配置成：获取所述模型数据库对应的模型信息库以及烟气含氧量预测模型描述信息；判断所述模型信息库中是否存在所述烟气含氧量预测模型描述信息；当所述模型数据库中存在所述烟气含氧量预测模型描述信息时，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型。
在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300被进一步配置成：响应于所述烟气含氧量大于预设阈值，向所述目标燃气锅炉对应的具有语音功能的终端设备上发送报警音频，并进行播放。
可以理解的是，该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
图4是本发明一实施例提供的燃气锅炉的烟气含氧量预测装置/终端设备的示意图。如图4所示，该实施例的燃气锅炉的烟气含氧量预测装置/终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个燃气锅炉的烟气含氧量预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述燃气锅炉的烟气含氧量预测装置/终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
所述燃气锅炉的烟气含氧量预测装置/终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述燃气锅炉的烟气含氧量预测装置/终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是燃气锅炉的烟气含氧量预测装置/终端设备4的示例，并不构成对燃气锅炉的烟气含氧量预测装置/终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述燃气锅炉的烟气含氧量预测装置/终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述燃气锅炉的烟气含氧量预测装置/终端设备4的内部存储单元，例如燃气锅炉的烟气含氧量预测装置/终端设备4的硬盘或内存。所述存储器41也可以是所述燃气锅炉的烟气含氧量预测装置/终端设备4的外部存储设备，例如所述燃气锅炉的烟气含氧量预测装置/终端设备4上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述燃气锅炉的烟气含氧量预测装置/终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述燃气锅炉的烟气含氧量预测装置/终端设备所需的其它程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种燃气锅炉的烟气含氧量预测方法，其特征在于，包括：
获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；
从所述模型数据库中确定出所述模型请求对应的烟气含氧量预测模型；
根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
2.如权利要求1所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型，包括：
从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的至少一个烟气含氧量预测模型以及至少一个所述烟气含氧量预测模型各自的业务信息。
3.如权利要求2所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量，包括：
根据至少一个所述烟气含氧量预测模型各自的业务信息，从至少一个所述烟气含氧量预测模型中，确定目标烟气含氧量预测模型；
根据所述目标烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
4.如权利要求2所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数中的任意一项或多项。
5.如权利要求1所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述获取模型数据库，包括：
获取所述目标燃气锅炉的业务需求以及各个候选模型数据库各自的业务类型；
根据所述目标燃气锅炉的业务需求、各个所述候选模型数据库以及各个所述候选模型数据库各自的业务类型，确定出模型数据库。
6.如权利要求1所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型，包括：
获取所述模型数据库对应的模型信息库以及烟气含氧量预测模型描述信息；
判断所述模型信息库中是否存在所述烟气含氧量预测模型描述信息；
当所述模型数据库中存在所述烟气含氧量预测模型描述信息时，从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型。
7.如权利要求1所述的燃气锅炉的烟气含氧量预测方法，其特征在于，所述方法还包括：
响应于所述烟气含氧量大于预设阈值，向所述目标燃气锅炉对应的具有语音功能的终端设备上发送报警音频，并进行播放。
8.一种燃气锅炉的烟气含氧量预测装置，其特征在于，包括：
获取模块，被配置成获取目标燃气锅炉的烟气含氧量预测模型请求以及模型数据库；
确定模块，被配置成从所述模型数据库中确定出所述烟气含氧量预测模型请求对应的烟气含氧量预测模型；
生成模块，被配置成根据所述烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110041362.5A 2021-01-13 2021-01-13 燃气锅炉的烟气含氧量预测方法及装置 Pending CN114819238A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110041362.5A CN114819238A (zh) 2021-01-13 2021-01-13 燃气锅炉的烟气含氧量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110041362.5A CN114819238A (zh) 2021-01-13 2021-01-13 燃气锅炉的烟气含氧量预测方法及装置

Publications (1)

Publication Number Publication Date
CN114819238A true CN114819238A (zh) 2022-07-29

Family

ID=82524943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110041362.5A Pending CN114819238A (zh) 2021-01-13 2021-01-13 燃气锅炉的烟气含氧量预测方法及装置

Country Status (1)

Country Link
CN (1) CN114819238A (zh)

Similar Documents

Publication Publication Date Title
CN109063829B (zh) 神经网络构建方法、装置、计算机设备和存储介质
CN111950225B (zh) 一种芯片布局方法、装置、存储介质和电子设备
CN108120521B (zh) 变压器绕组热点温度预测方法及终端设备
US10140403B2 (en) Managing model checks of sequential designs
CN113094913B (zh) 排放预估方法和装置
CN112541841B (zh) 用于模拟过去未来数据的方法、装置及终端设备
CN112561690B (zh) 信用卡分期业务接口的测试方法、系统、设备及存储介质
US8417489B2 (en) Duration estimation of repeated directed graph traversal
CN113742069A (zh) 基于人工智能的容量预测方法、装置及存储介质
CN111507541B (zh) 货量预测模型构建方法、货量测量方法、装置及电子设备
CN113228056B (zh) 运行时硬件模拟仿真方法、装置、设备及存储介质
CN114819238A (zh) 燃气锅炉的烟气含氧量预测方法及装置
CN114764542A (zh) 燃气轮机的烟气一氧化碳含量监测方法及装置
CN115062571A (zh) 应用于集成电路器件的数据区域动态选取方法、系统、设备和计算机可读存储介质
CN112883631B (zh) 燃气轮机的排烟含氧量预测方法及装置
CN114764649A (zh) 燃气锅炉的烟气含氧量预测方法及装置
CN114819237A (zh) 燃气锅炉的烟气含氧量预测方法及装置
CN114764587A (zh) 燃气轮机的烟气一氧化碳含量监测方法及装置
CN114818840A (zh) 燃气轮机的烟气一氧化碳含量监测方法及装置
US11216600B2 (en) Liner polish analysis platform
CN116165914B (zh) 一种航电系统的仿真方法及相关产品
CN114593920B (zh) 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质
CN113692177B (zh) 数据中心制冷系统功耗的控制方法、装置及终端
CN116429968A (zh) 基于样本迁移的烟气含氧量预测方法、装置和电子设备
CN114580258A (zh) 燃气内燃机的烟气含氧量测量方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination