建立鍋爐燃燒過程模型的方法和裝置:專利背景,發明內容,專利目的,技術方案,改善效果

《建立鍋爐燃燒過程模型的方法和裝置》是國網河北能源技術服務有限公司於2015年1月14日申請的發明專利，該專利的申請號為2015100169372，公布號為CN104595924A，授權公布日為，發明人是張勇勝、邢洪濤、葉翔、安國銀、閆慧博、魏剛、安康，該發明屬於能源電力技術領域。

《建立鍋爐燃燒過程模型的方法和裝置》所述方法包括：根據鍋爐燃燒過程的特性，從鍋爐燃燒歷史樣本數據中提取N組樣本數據；每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量等分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型；將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

2019年9月29日，《建立鍋爐燃燒過程模型的方法和裝置》獲2018年河北省專利獎二等獎。

（概述圖為《建立鍋爐燃燒過程模型的方法和裝置》摘要附圖）

基本介紹

中文名：建立鍋爐燃燒過程模型的方法和裝置
公布號：CN104595924A
授權日：2015年5月6日
申請號：2015100169372
申請日：2015年1月14日
申請人：國網河北能源技術服務有限公司
地址：河北省石家莊市體育南大街238號
發明人：張勇勝、邢洪濤、葉翔、安國銀、閆慧博、魏剛、安康
Int.Cl.：F23N5/00（2006 .01）、G05B 19/418（2006 .01）
代理機構：北京國昊天誠智慧財產權代理有限公司
代理人：劉戈
類別：發明專利

專利背景,發明內容,專利目的,技術方案,改善效果,附圖說明,權利要求,實施方式,榮譽表彰,

專利背景

鍋爐是一種能量轉換設備，鍋爐中產生的熱水或蒸汽可直接為工業生產和人民生活提供所需熱能；也可通過蒸汽動力裝置將鍋爐中產生的熱水或蒸汽轉換為機械能，或再通過發電機將機械能轉換為電能。鍋爐中的燃燒過程以及相關的調整策略，不僅決定了鍋爐的出力，同時對鍋爐的效率和排放有顯著的影響。如何快速、精確地建立鍋爐燃燒過程的模型，通過該模型對鍋爐燃燒過程進行最佳化調整，提高鍋爐效率並有效降低污染物排放，是2015年1月前能源電力行業非常關注的問題。

然而，由於鍋爐中的燃燒過程是複雜的物理、化學反應過程，2015年1月前沒有有效的方法，可以建立一個能夠精確反映燃燒過程中劇烈的參數變化的鍋爐燃燒過程模型。

發明內容

專利目的

《建立鍋爐燃燒過程模型的方法和裝置》提供了一種建立鍋爐燃燒過程模型的方法和裝置，通過多個雲伺服器組對鍋爐燃燒歷史樣本數據運行二次遺傳編程GP算法，得到鍋爐燃燒過程模型，鍋爐燃燒歷史樣本數據的數量很大，遺傳編程GP算法是高效的智慧型算法，可以提高鍋爐燃燒過程模型的精確度，並建立一個能夠精確反映燃燒過程中劇烈的參數變化的鍋爐燃燒過程模型。

技術方案

《建立鍋爐燃燒過程模型的方法和裝置》所述方法包括：獲取鍋爐燃燒歷史樣本數據；根據鍋爐燃燒過程的特性，從所述鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，所述N為自然數；為每組所述樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法；將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型；將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

進一步地，所述N取值為6，所述N組樣本數據分別為：一次風系統樣本數據、二次風系統樣本數據、風煙系統樣本數據、運行參數樣本數據、燃燒器二次風門系統樣本數據和磨煤機系統樣本數據；相應地，所述N組特徵模型分別為：一次風系統模型、二次風系統模型、風煙系統模型、運行參數模型、燃燒器二次風門系統模型和磨煤機系統模型。

進一步地，將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型，包括：將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數；根據每個所述第一遺傳編程GP算法的輸入變數的個數、每個所述第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個所述第一遺傳編程GP算法的初始種群，其中，每個所述初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度；根據每個所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個所述初始種群中選擇個體進行遺傳計算，得到每個所述初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足遺傳編程終止條件，則將每個所述新種群作為每個所述初始種群，然後執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度的步驟；如果滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，從每個所述新種群中選擇滿足預設條件的最優個體作為每個所述第一遺傳編程GP算法的特徵模型。

進一步地，將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型，包括：將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體；從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度；根據所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從所述初始種群中選擇個體進行遺傳計算，得到所述初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足遺傳編程終止條件，則將所述新種群作為所述初始種群，然後執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，計算所述初始種群中的每個個體的適應度的步驟；如果滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，從所述新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

進一步地，所述遺傳計算包括：複製、雜交或變異。

《建立鍋爐燃燒過程模型的方法和裝置》還公開了一種建立鍋爐燃燒過程模型的裝置，所述裝置包括：獲取模組，用於獲取鍋爐燃燒歷史樣本數據；提取模組，用於根據鍋爐燃燒過程的特性，從所述鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，所述N為自然數；設定模組，用於為每組所述樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法；特徵模型獲取模組，用於將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型；鍋爐燃燒過程模型獲取模組，用於將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

進一步地，所述特徵模型獲取模組包括：第一處理單元，用於將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數；產生單元，用於根據每個所述第一遺傳編程GP算法的輸入變數的個數、每個所述第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個所述第一遺傳編程GP算法的初始種群，其中，每個所述初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；第一提取單元，用於從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第一計算單元，用於根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度；第一新種群獲取單元，用於根據每個所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個所述初始種群中選擇個體進行遺傳計算，得到每個所述初始種群對應的新種群；第一判斷單元，用於判斷是否滿足遺傳編程終止條件；第一通知單元，用於如果所述第一判斷單元的判斷結果是不滿足遺傳編程終止條件，則將每個所述新種群作為每個所述初始種群，然後通知所述第一計算單元執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度的步驟；第一模型獲取單元，用於如果所述第一判斷單元的判斷結果是滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，從每個所述新種群中選擇滿足預設條件的最優個體作為每個所述第一遺傳編程GP算法的特徵模型。

進一步地，所述鍋爐燃燒過程模型獲取模組包括：第二處理單元，用於將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體；第二提取單元，用於從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第二計算單元，用於根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度；第二新種群獲取單元，用於根據所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從所述初始種群中選擇個體進行遺傳計算，得到所述初始種群對應的新種群；第二判斷單元，用於判斷是否滿足遺傳編程終止條件；第二通知單元，用於如果所述第二判斷單元的判斷結果是不滿足遺傳編程終止條件，則將所述新種群作為所述初始種群，然後通知所述第二計算單元執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度的步驟；第二模型獲取單元，用於如果所述第二判斷單元的判斷結果是滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，從所述新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

進一步地，所述遺傳計算包括：複製、雜交或變異。

改善效果

《建立鍋爐燃燒過程模型的方法和裝置》提供的建立鍋爐燃燒過程模型的方法和裝置：通過多個雲伺服器組對鍋爐燃燒歷史樣本數據運行二次遺傳編程GP算法，得到鍋爐燃燒過程模型，鍋爐燃燒歷史樣本數據的數量很大，遺傳編程GP算法是高效的智慧型算法，可以提高鍋爐燃燒過程模型的精確度，並建立一個能夠精確反映燃燒過程中劇烈的參數變化的鍋爐燃燒過程模型。

附圖說明

圖1是《建立鍋爐燃燒過程模型的方法和裝置》實施例一提供的一種建立鍋爐燃燒過程模型的方法流程圖；

圖2是該發明實施例一提供的一種建立鍋爐燃燒過程模型的方法示意圖；

圖3是該發明實施例一提供的一種個體的示意圖；

圖4是該發明實施例一提供的另一種個體的示意圖；

圖5是該發明實施例二提供的一種建立鍋爐燃燒過程模型的方法流程圖；

圖6是該發明實施例三提供的一種建立鍋爐燃燒過程模型的裝置結構示意圖。

權利要求

1.一種建立鍋爐燃燒過程模型的方法，其特徵在於，所述方法包括：獲取鍋爐燃燒歷史樣本數據；根據鍋爐燃燒過程的特性，從所述鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，所述N為自然數；為每組所述樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法；將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型；將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

2.如權利要求1所述的方法，其特徵在於，所述N取值為6，所述N組樣本數據分別為：一次風系統樣本數據、二次風系統樣本數據、風煙系統樣本數據、運行參數樣本數據、燃燒器二次風門系統樣本數據和磨煤機系統樣本數據；相應地，所述N組特徵模型分別為：一次風系統模型、二次風系統模型、風煙系統模型、運行參數模型、燃燒器二次風門系統模型和磨煤機系統模型。

3.如權利要求1所述的方法，其特徵在於，將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型，包括：將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數；根據每個所述第一遺傳編程GP算法的輸入變數的個數、每個所述第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個所述第一遺傳編程GP算法的初始種群，其中，每個所述初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度；根據每個所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個所述初始種群中選擇個體進行遺傳計算，得到每個所述初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足遺傳編程終止條件，則將每個所述新種群作為每個所述初始種群，然後執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度的步驟；如果滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，從每個所述新種群中選擇滿足預設條件的最優個體作為每個所述第一遺傳編程GP算法的特徵模型。

4.如權利要求1所述的方法，其特徵在於，將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型，包括：將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體；從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度；根據所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從所述初始種群中選擇個體進行遺傳計算，得到所述初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足遺傳編程終止條件，則將所述新種群作為所述初始種群，然後執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，計算所述初始種群中的每個個體的適應度的步驟；如果滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，從所述新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

5.如權利要求3或4所述的方法，其特徵在於，所述遺傳計算包括：複製、雜交或變異。

6.一種建立鍋爐燃燒過程模型的裝置，其特徵在於，所述裝置包括：獲取模組，用於獲取鍋爐燃燒歷史樣本數據；提取模組，用於根據鍋爐燃燒過程的特性，從所述鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，所述N為自然數；設定模組，用於為每組所述樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法；特徵模型獲取模組，用於將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，通過每個所述雲伺服器組分別運行每個所述第一遺傳編程GP算法，得到N組特徵模型；鍋爐燃燒過程模型獲取模組，用於將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體，運行所述第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

7.如權利要求6所述的裝置，其特徵在於，所述N取值為6，所述N組樣本數據分別為：一次風系統樣本數據、二次風系統樣本數據、風煙系統樣本數據、運行參數樣本數據、燃燒器二次風門系統樣本數據和磨煤機系統樣本數據；相應地，所述N組特徵模型分別為：一次風系統模型、二次風系統模型、風煙系統模型、運行參數模型、燃燒器二次風門系統模型和磨煤機系統模型。

8.如權利要求6所述的裝置，其特徵在於，所述特徵模型獲取模組包括：第一處理單元，用於將每組所述樣本數據分別作為每個所述第一遺傳編程GP算法的輸入變數；產生單元，用於根據每個所述第一遺傳編程GP算法的輸入變數的個數、每個所述第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個所述第一遺傳編程GP算法的初始種群，其中，每個所述初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；第一提取單元，用於從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第一計算單元，用於根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度；第一新種群獲取單元，用於根據每個所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個所述初始種群中選擇個體進行遺傳計算，得到每個所述初始種群對應的新種群；第一判斷單元，用於判斷是否滿足遺傳編程終止條件；第一通知單元，用於如果所述第一判斷單元的判斷結果是不滿足遺傳編程終止條件，則將每個所述新種群作為每個所述初始種群，然後通知所述第一計算單元執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算每個所述初始種群中的每個個體的適應度的步驟；第一模型獲取單元，用於如果所述第一判斷單元的判斷結果是滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為每個所述第一遺傳編程GP算法的輸出變數，從每個所述新種群中選擇滿足預設條件的最優個體作為每個所述第一遺傳編程GP算法的特徵模型。

9.如權利要求6所述的裝置，其特徵在於，所述鍋爐燃燒過程模型獲取模組包括：第二處理單元，用於將所述N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將所述N組特徵模型作為所述第二遺傳編程GP算法的初始種群中的個體；第二提取單元，用於從所述鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第二計算單元，用於根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度；第二新種群獲取單元，用於根據所述初始種群中的每個個體的適應度、預設的遺傳運算元機率，從所述初始種群中選擇個體進行遺傳計算，得到所述初始種群對應的新種群；第二判斷單元，用於判斷是否滿足遺傳編程終止條件；第二通知單元，用於如果所述第二判斷單元的判斷結果是不滿足遺傳編程終止條件，則將所述新種群作為所述初始種群，然後通知所述第二計算單元執行根據所述鍋爐效率真值、所述氮氧化物NOx排放量真值，分別計算所述初始種群中的每個個體的適應度的步驟；第二模型獲取單元，用於如果所述第二判斷單元的判斷結果是滿足遺傳編程終止條件，則將所述鍋爐效率、所述氮氧化物NOx排放量分別作為所述第二遺傳編程GP算法的輸出變數，從所述新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

10.如權利要求8或9所述的裝置，其特徵在於，所述遺傳計算包括：複製、雜交或變異。

實施方式

實施例一

圖1為《建立鍋爐燃燒過程模型的方法和裝置》實施例一提供的一種建立鍋爐燃燒過程模型的方法；如圖1所示，其可以具體包括：

S101：獲取鍋爐燃燒歷史樣本數據。具體地，可以收集大量的鍋爐燃燒歷史樣本數據，用於建立鍋爐燃燒過程模型。

S102：根據鍋爐燃燒過程的特性，從鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，N為自然數。具體地，該實施例中，N取值為6，N組樣本數據分別為：一次風系統樣本數據、二次風系統樣本數據、風煙系統樣本數據、運行參數樣本數據、燃燒器二次風門系統樣本數據和磨煤機系統樣本數據。其中，一次風系統樣本數據包括一次風總量、一次風機執行器反饋、一次風機進口風溫、一次風機進出口差壓等變數。二次風系統樣本數據包括二次風總量、A側二次風流量、B側二次風流量等變數。風煙系統樣本數據包括爐膛壓力、風煤比、空預器出口煙氣壓力、空預器出口煙氣溫度等變數。運行參數樣本數據包括發電機功率、負荷、煤量、發熱量、水分、灰分等變數。燃燒器二次風門系統樣本數據包括各燃燒器二次風調節門開度反饋等變數。磨煤機系統樣本數據包括各給煤機瞬時給煤量、磨煤機入口風溫、磨煤機出口溫度等變數。

S103：為每組樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法。具體地，每組樣本數據設定一個對應的雲伺服器組，一個雲伺服器組可以包括多個雲伺服器，同一組的多個雲伺服器運行同組樣本數據對應的同一第一遺傳編程GP算法，同時對同組樣本數據進行建模。

例如：該實施例共提取了6組樣本數據，雲（Cloud）中共有60個雲伺服器（Islands）（分別為雲伺服器#1-#60），每10個雲伺服器（Island）為一個雲伺服器組，共6個雲伺服器組（如：#1-#10為一個雲伺服器組、#11-#20為一個雲伺服器組…#51-#60為一個雲伺服器組）。

其中，遺傳編程GP（Genetic Programming）算法是對遺傳算法GA（Genetic Algorithm）的一次突破性發展，它對群體中表示獨立的電腦程式的個體進行操作（而不是GA中的固定長度的二進制字元串），克服了傳統遺傳算法在表示方法上的局限，採用了更為靈活的可變分層結構。

S104：將每組樣本數據分別作為每個第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個第一遺傳編程GP算法的輸出變數，通過每個雲伺服器組分別運行每個第一遺傳編程GP算法，得到N組特徵模型。

具體地，每組特徵模型包括輸出變數鍋爐效率與輸入變數之間的表達式關係，輸出變數氮氧化物NOx排放量與輸入變數之間的表達式關係。

具體地，當N取值為6時，N組特徵模型分別為：一次風系統模型、二次風系統模型、風煙系統模型、運行參數模型、燃燒器二次風門系統模型和磨煤機系統模型。

例如，參見圖2，將一次風系統樣本數據、鍋爐效率、氮氧化物NOx排放量分別存入#1到#10雲伺服器組；二次風系統樣本數據、鍋爐效率、氮氧化物NOx排放量分別存入#11到#20雲伺服器組…以此類推，通過每個雲伺服器組分別運行每個第一遺傳編程GP算法，得到6組特徵模型（W1、W2…W6）。

其中，將每組樣本數據分別作為每個第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個第一遺傳程GP算法的輸出變數，通過每個雲伺服器組分別運行每個第一遺傳編程GP算法，得到N組特徵模型，包括：

將每組樣本數據分別作為每個第一遺傳編程GP算法的輸入變數；根據每個第一遺傳編程GP算法的輸入變數的個數、每個第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個第一遺傳編程GP算法的初始種群，其中，每個初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；從鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算每個初始種群中的每個個體的適應度；根據每個初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個初始種群中選擇個體進行遺傳計算，得到每個初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足，則將每個新種群作為每個初始種群，然後執行根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算每個初始種群中的每個個體的適應度的步驟；如果滿足，則將鍋爐效率、氮氧化物NOx排放量分別作為每個第一遺傳編程GP算法的輸出變數，從每個新種群中選擇滿足預設條件的最優個體作為每個第一遺傳編程GP算法的特徵模型。

其中，遺傳計算包括：複製、雜交或變異。

具體地，遺傳編程GP算法中的每個個體都是一個以樹形結構來表示的表達式。如圖3和圖4所示，樹A和樹B分別代表一次風系統樣本數據對應的第一遺傳編程GP算法的種群中的兩個個體（用來計算鍋爐效率（或氮氧化物NOx排放量）

，該實例採用多項式），樹A：

；樹B：

，其中，X1表示一次風總量、X2表示一次風機執行器反饋、X3表示一次風機進口風溫、X4表示一次風機進出口差壓。

S105：將N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，將N組特徵模型作為第二遺傳編程GP算法的初始種群中的個體，運行第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

例如，參見圖2，將6組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，將6組特徵模型作為第二遺傳編程GP算法的初始種群中的個體，運行第二遺傳編程GP算法，得到鍋爐燃燒過程模型Z。

其中，將N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，將N組特徵模型作為第二遺傳編程GP算法的初始種群中的個體，運行第二遺傳編程GP算法，得到鍋爐燃燒過程模型，包括：將N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將N組特徵模型作為第二遺傳編程GP算法的初始種群中的個體；從鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算初始種群中的每個個體的適應度；根據初始種群中的每個個體的適應度、預設的遺傳運算元機率，從初始種群中選擇個體進行遺傳計算，得到初始種群對應的新種群；判斷是否滿足遺傳編程終止條件；如果不滿足，則將新種群作為初始種群，然後執行根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算初始種群中的每個個體的適應度的步驟；如果滿足，則將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，從新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

其中，遺傳計算包括：複製、雜交或變異。

該實施例所述的建立鍋爐燃燒過程模型的方法，通過多個雲伺服器組對鍋爐燃燒歷史樣本數據運行二次遺傳編程GP算法，得到鍋爐燃燒過程模型，鍋爐燃燒歷史樣本數據的數量很大，遺傳編程GP算法是高效的智慧型算法，可以提高鍋爐燃燒過程模型的精確度，可以建立一個能夠精確反映燃燒過程中劇烈的參數變化的鍋爐燃燒過程模型。

實施例二

為了便於理解，下面以樣本數據為一次風系統樣本數據（包括一次風總量、一次風機執行器反饋、一次風機進口風溫、一次風機進出口差壓等變數）為例，來描述一下如何通過雲伺服器組運行第一遺傳編程GP算法，得到一組特徵模型。圖5為《建立鍋爐燃燒過程模型的方法和裝置》實施例二提供的一種建立鍋爐燃燒過程模型中獲取特徵模型的方法；如圖5所示，其可以具體包括：

S201：將一次風系統樣本數據作為第一遺傳編程GP算法的輸入變數。

S202：根據第一遺傳編程GP算法的輸入變數的個數、第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生第一遺傳編程GP算法的初始種群，其中，初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式。

其中，一次風系統樣本數據作為第一遺傳編程GP算法的輸入變數，一次風系統樣本數據包括一次風總量X1、一次風機執行器反饋X2、一次風機進口風溫X3、一次風機進出口差壓X4等4個變數。參見表1，一次風系統樣本數據如表1所示：

表1

時間	X1	X2	X3	X4	Y（真值）
t1	561 .3	48.11	26.85	10.69	91 .80
t2	566	46.22	26.18	10.71	91 .87
t3	559.4	48.91	25.89	10.75	91 .68
……	……	……	……	……	……

其中，預設個體數量M的取值可以根據實際套用狀況進行設定，如可以設定M＝500等。參見圖3和圖4，為初始種群中的2個個體。

具體地，初始種群也可以稱為第一遺傳編程GP算法的第0代種群（Generation＝0）；並且，在產生初始種群時，還可以預先定義所要產生的個體（樹）的最大深度Di（該實施例即多項式的最大長度），例如：Di＝6。

S203：從鍋爐燃燒歷史樣本數據中提取鍋爐效率真值。具體地，提取出的鍋爐效率真值如表1所示。

為了便於理解，該實施例以輸出變數為鍋爐效率為例，輸出變數為氮氧化物NOx排放量時，過程類似。

S204：根據鍋爐效率真值，分別計算初始種群中的每個個體的適應度。

該實例中，對於每個個體，計算適應度的方法是：將一次風系統樣本數據的每個時間點的數據代入該個體對應的多項式中，均可以得到一個鍋爐效率期望值將計算所得到所有時間點的鍋爐效率期望值與鍋爐效率真值Y之間的誤差的絕對值之和作為該個體的適應度，如下式所示：

其中，e表示適應度，Y表示鍋爐效率真值，

表示第i個時間點的鍋爐效率期望值，s表示時間點個數。

顯然，該實施例中適應度越小，個體越好。並且，並不限於通過該實施例的方法來計算適應度，還可以通過其他任何可行的方式實現，對此不做限定。

S205：根據初始種群中的每個個體的適應度、預設的遺傳運算元機率，從初始種群中選擇個體進行遺傳計算，得到初始種群對應的新種群。

具體地，遺傳運算元包括複製運算元、雜交運算元、變異運算元。根據每個初始種群中的每個個體的適應度，預設的遺傳運算元機率（如設定複製運算元機率pr＝0.1、雜交運算元機率pc＝0.9、變異運算元機率pm＝0），按照預設的個體選擇規則（如按照每個個體的適應度的大小，先從適應度排名前100的個體中選擇10％（0.1）的個體進行複製，選擇90％（0.9）的個體進行雜交，然後再從剩下的個體中選擇10％（0.1）的個體進行複製，選擇90％（0.9）的個體進行雜交等），從初始種群中選擇個體進行遺傳計算，得到初始種群對應的新種群。

具體地，新種群中包含的個體數量與初始種群中的個體數量相同。

S206：判斷是否滿足遺傳編程終止條件；如果滿足，則執行S208；否則，執行S207。一般將是否滿足遺傳編程終止條件設定為是否滿足預設疊代運行次數（即產生的新種群的代數），例如：50次。實際套用中也可以設定其他遺傳編程終止條件，對此不做限定。

S207：將新種群作為初始種群，然後執行S204。

S208：將鍋爐效率作為第一遺傳編程GP算法的輸出變數，從新種群中選擇滿足預設條件的最優個體作為第一遺傳編程GP算法的一次風系統鍋爐效率模型，然後結束。

實施例三

圖6為《建立鍋爐燃燒過程模型的方法和裝置》實施例三提供的一種建立鍋爐燃燒過程模型的裝置，如圖6所示，其可以具體包括：獲取模組301，用於獲取鍋爐燃燒歷史樣本數據；提取模組302，用於根據鍋爐燃燒過程的特性，從鍋爐燃燒歷史樣本數據中提取N組樣本數據；其中，N為自然數；設定模組303，用於為每組樣本數據設定一個對應的雲伺服器組和一個對應的第一遺傳編程GP算法；特徵模型獲取模組304，用於將每組樣本數據分別作為每個第一遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為每個第一遺傳編程GP算法的輸出變數，通過每個雲伺服器組分別運行每個第一遺傳編程GP算法，得到N組特徵模型；鍋爐燃燒過程模型獲取模組305，用於將N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，將N組特徵模型作為第二遺傳編程GP算法的初始種群中的個體，運行第二遺傳編程GP算法，得到鍋爐燃燒過程模型。

進一步地，N取值為6，N組樣本數據分別為：一次風系統樣本數據、二次風系統樣本數據、風煙系統樣本數據、運行參數樣本數據、燃燒器二次風門系統樣本數據和磨煤機系統樣本數據；相應地，N組特徵模型分別為：一次風系統模型、二次風系統模型、風煙系統模型、運行參數模型、燃燒器二次風門系統模型和磨煤機系統模型。

進一步地，特徵模型獲取模組包括：第一處理單元，用於將每組樣本數據分別作為每個第一遺傳編程GP算法的輸入變數；產生單元，用於根據每個第一遺傳編程GP算法的輸入變數的個數、每個第一遺傳編程GP算法的種群中包括的預設個體數量M，隨機產生每個第一遺傳編程GP算法的初始種群，其中，每個初始種群中包括隨機產生的M個個體，每個個體是一個由輸入變數表示的計算輸出變數的表達式；第一提取單元，用於從鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第一計算單元，用於根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算每個初始種群中的每個個體的適應度；第一新種群獲取單元，用於根據每個初始種群中的每個個體的適應度、預設的遺傳運算元機率，從每個初始種群中選擇個體進行遺傳計算，得到每個初始種群對應的新種群；第一判斷單元，用於判斷是否滿足遺傳編程終止條件；第一通知單元，用於如果第一判斷單元的判斷結果是不滿足遺傳編程終止條件，則將每個新種群作為每個初始種群，然後通知第一計算單元執行根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算每個初始種群中的每個個體的適應度的步驟；第一模型獲取單元，用於如果第一判斷單元的判斷結果是滿足遺傳編程終止條件，則將鍋爐效率、氮氧化物NOx排放量分別作為每個第一遺傳編程GP算法的輸出變數，從每個新種群中選擇滿足預設條件的最優個體作為每個第一遺傳編程GP算法的特徵模型。

進一步地，鍋爐燃燒過程模型獲取模組包括：第二處理單元，用於將N組樣本數據作為預設的第二遺傳編程GP算法的輸入變數，將N組特徵模型作為第二遺傳編程GP算法的初始種群中的個體；第二提取單元，用於從鍋爐燃燒歷史樣本數據中提取鍋爐效率真值、氮氧化物NOx排放量真值；第二計算單元，用於根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算初始種群中的每個個體的適應度；第二新種群獲取單元，用於根據初始種群中的每個個體的適應度、預設的遺傳運算元機率，從初始種群中選擇個體進行遺傳計算，得到初始種群對應的新種群；第二判斷單元，用於判斷是否滿足遺傳編程終止條件；第二通知單元，用於如果第二判斷單元的判斷結果是不滿足遺傳編程終止條件，則將新種群作為初始種群，然後通知第二計算單元執行根據鍋爐效率真值、氮氧化物NOx排放量真值，分別計算初始種群中的每個個體的適應度的步驟；第二模型獲取單元，用於如果第二判斷單元的判斷結果是滿足遺傳編程終止條件，則將鍋爐效率、氮氧化物NOx排放量分別作為第二遺傳編程GP算法的輸出變數，從新種群中選擇滿足預設條件的最優個體作為鍋爐燃燒過程模型。

進一步地，遺傳計算包括：複製、雜交或變異。

該實施例所述的建立鍋爐燃燒過程模型的裝置，通過多個雲伺服器組對鍋爐燃燒歷史樣本數據運行二次遺傳編程GP算法，得到鍋爐燃燒過程模型，鍋爐燃燒歷史樣本數據的數量很大，遺傳編程GP算法是高效的智慧型算法，可以提高鍋爐燃燒過程模型的精確度，可以建立一個能夠精確反映燃燒過程中劇烈的參數變化的鍋爐燃燒過程模型。

所述裝置與前述的方法流程描述對應，不足之處參考上述方法流程的敘述。

榮譽表彰