一种火力发电厂燃煤锅炉的建模方法及系统与流程

本申请涉及火力发电技术领域，特别涉及一种火力发电厂燃煤锅炉的建模方法及系统。

背景技术：

能源是人类生产生活不可或缺的重要物质基础，而煤炭能源在能源构成中占据首要位置。因此，利用煤炭进行发电的火电机组的高效运行对国家能源安全具有重大意义，而燃煤锅炉则是火电机组的核心组成部分，对燃煤锅炉的精确建模是优化发电效率的关键所在。

然而，由于燃煤锅炉的参数的高度非线性，具有时变、时延以及多变量耦合等特征，由此，燃煤锅炉运行参数繁多，炉内煤粉燃烧过程及其复杂，使用传统的物理和化学机理模型难以对真实锅炉进行准确描述。

技术实现要素：

有鉴于此，本申请的目的是提供一种火力发电厂燃煤锅炉的建模方法及系统，用以解决现有技术中的建模方案难以对真实锅炉进行准确描述的技术问题。

本申请提供了一种火力发电厂燃煤锅炉的建模方法，包括：

确定燃煤锅炉所建模型的至少一个输入参数类型及至少一个输出参数类型；

针对所述输入参数类型及所述输出参数类型，分别进行采样，获得参数类型对应的采样数据；

对所述采样数据进行低通滤波及归一化处理；

基于所述采样数据中参数类型的个数以及所述参数类型之间的耦合关系，确定NARX(Nonlinear AutoRegressive network with eXogenous inputs model，非线性自回归模型)网络模型的模型层级、每层中的神经元及激活函数；

基于所述模型层级、每层中的神经元及激活函数，对所述采样数据进行建模，得到燃煤锅炉的NARX网络模型。

上述方法，优选的，还包括：

获得所述燃煤锅炉的NARX网络模型的模型输出结果与实际输出结果的均方误差；

将所述均方误差作为目标函数，利用自适应学习率和动量的梯度下降优化算法中的对所述燃煤锅炉的NARX网络模型进行模型优化；

其中，在目标函数的条件下，和分别是t次和t-1次迭代网络参数的变化量，网络参数包括网络的权重矩阵和偏置项，是目标函数相对于网络参数的梯度，lr是学习率，mc是动量，y_t为时间序列t时的实际输出结果，h_n为包含了n个反馈输入参数的NARX网络模型的输入，f_o(h_n|θ)是在网络参数为θ模型输入h_n的情况下NARX网络模型的输出，N为所述采样数据的采样个数。

上述方法，优选的，对所述采样数据进行低通滤波及归一化处理，包括：

基于预设的平滑因子，对每个时间序列上的采样数据分别进行滤波处理；

将经过低通滤波后的采样数据映射到预设的阈值区间中。

上述方法，优选的，基于预设的平滑因子，对每个时间序列上的采样数据分别进行滤波处理，包括：

利用x_t′＝w₁x_t-2+w₂x_t-1+w₃x_t+w₄x_t+1及w₁+w₂+w₃+w₄＝1，对时间序列t上的采样数据进行滤波；

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，w₁、w₂、w₃、w₄为平滑因子。

上述方法，优选的，将经过低通滤波后的采样数据映射到预设的阈值区间中，包括：

利用将低通滤波后的采样数据映射到阈值区间(-1,1)之间；

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，x″为映射到阈值区间(-1,1)之间的采样数据。

上述方法，优选的，基于所述模型层级、每层中的神经元及激活函数，对所述采样数据进行建模，得到燃煤锅炉的NARX网络模型，包括：

基于所述模型层级及每层中的神经元，搭建NARX网络模型的初始模型，所述初始模型包括输入层、第一隐含层、第二隐含层及输出层，所述第一隐含层、所述第二隐含层及所述输出层中分别包含多个神经元；

利用激活函数对所述初始模型中的所述输入层、所述第一隐含层、所述第二隐含层及输出层进行激活，得到所述燃煤锅炉的NARX网络模型。

上述方法，优选的，所述利用激活函数对所述初始模型中的所述输入层、所述第一隐含层、所述第二隐含层及输出层进行激活，得到所述燃煤锅炉的NARX网络模型，包括：

利用激活函数对所述输入层、所述第一隐含层及所述第二隐含层进行激活；

利用激活函数h＝ax+b，对所述输出层进行激活，得到所述燃煤锅炉的NARX网络模型，a和b为预设值。

本申请还提供了一种火力发电厂燃煤锅炉的建模系统，包括：

参数确定单元，用于确定燃煤锅炉所建模型的至少一个输入参数类型及至少一个输出参数类型；

数据采样单元，用于针对所述输入参数类型及所述输出参数类型，分别进行采样，获得参数类型对应的采样数据；

采样处理单元，用于对采样数据进行低通滤波及归一化处理；

模型参数确定单元，用于基于所述采样数据中参数类型的个数以及所述参数类型之间的耦合关系，确定NARX网络模型的模型层级、每层中的神经元及激活函数；

模型建立单元，用于利用所述模型层级、每层中的神经元及激活函数，对所述采样数据进行建模，得到燃煤锅炉的NARX网络模型。

上述系统，优选的，还包括：

模型优化单元，用于获得所述燃煤锅炉的NARX网络模型的模型输出结果与实际输出结果的均方误差，将所述均方误差作为目标函数，利用自适应学习率和动量的梯度下降优化算法中的对所述燃煤锅炉的NARX网络模型进行模型优化；

其中，在目标函数的条件下，和分别是t次和t-1次迭代网络参数的变化量，网络参数包括网络的权重矩阵和偏置项，是目标函数相对于网络参数的梯度，lr是学习率，mc是动量，y_t为时间序列t时的实际输出结果，h_n为包含了n个反馈输入参数的NARX网络模型的输入，f_o(h_n|θ)是在网络参数为θ模型输入h_n的情况下NARX网络模型的输出，N为所述采样数据的采样个数。

上述系统，优选的，所述采样处理单元包括：

采样平滑处理子单元，用于基于预设的平滑因子，对每个时间序列上的采样数据分别进行滤波处理；

归一化处理子单元，用于将经过低通滤波后的采样数据映射到预设的阈值区间中。

上述系统，优选的，所述采样平滑处理子单元具体用于：

利用x_t′＝w₁x_t-2+w₂x_t-1+w₃x_t+w₄x_t+1及w₁+w₂+w₃+w₄＝1，对时间序列t上的采样数据进行滤波；

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，w₁、w₂、w₃、w₄为平滑因子。

上述系统，优选的，所述归一化处理子单元具体用于：

利用将低通滤波后的采样数据映射到阈值区间(-1,1)之间；

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，x″为映射到阈值区间(-1,1)之间的采样数据。

上述系统，优选的，所述模型建立单元包括：

初始模型搭建子单元，用于基于所述模型层级及每层中的神经元，搭建NARX网络模型的初始模型，所述初始模型包括输入层、第一隐含层、第二隐含层及输出层，所述第一隐含层、所述第二隐含层及所述输出层中分别包含多个神经元；

初始模型激活子单元，用于利用激活函数对所述初始模型中的所述输入层、所述第一隐含层、所述第二隐含层及输出层进行激活，得到所述燃煤锅炉的NARX网络模型。

上述系统，优选的，所述初始模型激活子单元具体用于：

利用激活函数对所述输入层、所述第一隐含层及所述第二隐含层进行激活，再利用激活函数h＝ax+b，对所述输出层进行激活，得到所述燃煤锅炉的NARX网络模型，a和b为预设值。

由上述方案可知，本申请提供的一种火力发电厂燃煤锅炉的建模方法及系统，通过针对预先确定的各种输入参数类型及输出参数类型进行数据采样之后，再利用NARX网络模型基于经过低通滤波及归一化处理的采样数据进行建模，得到燃煤锅炉的网络模型，能够准确对真实锅炉进行描述，实现数据预测，为国家能源安全提供基础数据。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例一提供的一种火力发电厂燃煤锅炉的建模方法的实现流程图；

图2a～图2d分别为本申请实施例的应用示例图；

图3为本申请实施例二提供的一种火力发电厂燃煤锅炉的建模方法的流程图；

图4为本申请实施例三提供的一种火力发电厂燃煤锅炉的建模方法的部分流程图；

图5为本申请实施例四提供的一种火力发电厂燃煤锅炉的建模方法的部分流程图；

图6及图7分别为本申请实施例的其他应用示例图；

图8为本申请实施例五提供的一种火力发电厂燃煤锅炉的建模系统的结构示意图；

图9为本申请实施例六提供的一种火力发电厂燃煤锅炉的建模系统的结构示意图；

图10为本申请实施例七提供的一种火力发电厂燃煤锅炉的建模系统的部分结构示意图；

图11为本申请实施例八提供的一种火力发电厂燃煤锅炉的建模系统的部分结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考图1，为本申请实施例一提供的一种火力发电厂燃煤锅炉的建模方法的实现流程图，适用于火电机组中燃煤锅炉的数学模型的建立。

本实施例中可以包括以下步骤：

步骤101：确定燃煤锅炉所建模型的至少一个输入参数类型及至少一个输出参数类型。

其中，这里的输入参数类型可以根据需求设置，本实施例中输入参数类型有21个：负荷L，负荷率Lr，氧量O，一级减温水流量F_cw1，A，F_cw1，B，二级减温水流量F_cw2，A，F_cw2，B，空预器入口风温T_ap.A T_ap.B，锅炉入口风温T_b，空预器冷端综合温T_ce，给水温T_fw，主汽温T_fs.t，再热汽温T_rs.t，主汽压P_fs.t，再热汽压P_fs.t，循环水入口温T_wi.t，循环水出口温T_wo.t，低压缸排气温T_ce.t，凝结水温T_c.t，凝汽器真空V_c.t。

本实施例中的输出参数类型有9个：锅炉汽温T_fs，锅炉汽压P_fs，锅炉再热汽温T_rs，排烟温度T_s.A，T_s.B，净烟气量F_g，原烟气量F_g2，煤耗率C，锅炉效率f_b。

步骤102：针对所述输入参数类型及所述输出参数类型，分别进行采样，获得参数类型对应的采样数据。

本实施例中可以在设定采样频率及采样个数N之后，开始对各个输入参数类型及输出参数类型分别进行采样，得到N个时间序列对应的采样数据。

步骤103：对所述采样数据进行低通滤波及归一化处理。

步骤104：基于所述采样数据中参数类型的个数以及所述参数类型之间的耦合关系，确定NARX网络模型的模型层级、每层中的神经元及激活函数。

其中，本实施例中NARX网络模型的模型层级可以有：输入层、隐含层及输出层等，其中，每个层级中均含有至少一个神经元，且每个层级均对应相应的激活函数。

需要说明的是，本实施例中除了确定NARX网络模型的模型层级、每层中的神经元及激活函数之外，还会基于采样数据中参数类型的个数以及参数类型之间的耦合关系，确定NARX网络模型的自回归部分的阶数，用于搭建NARX网络模型。

步骤105：基于所述模型层级、每层中的神经元及激活函数，对所述采样数据进行建模，得到燃煤锅炉的NARX网络模型。

需要说明的是，在得到燃煤锅炉的NARX网络模型之后可以可以利用该模型进行预测，选取燃煤锅炉指征变量如锅炉汽温、锅炉汽压、烟气量、耗煤率等作为输出变量，输入到本实施例中的NARX网络模型中进行预测，得到相应的预测结果，如图2a～图2d中所示，对于锅炉汽温、锅炉排烟温度、净烟气量及煤耗率进行预测，相对于AR模型(非线性自回归模型)、TDNN模型(时滞神经网络模型)，本实施例中的NARX网络模型的预测输出结果明显更加贴近实际数据，预测效率明显由于前两者。

由上述方案可知，本申请实施例一提供的一种火力发电厂燃煤锅炉的建模方法，通过针对预先确定的各种输入参数类型及输出参数类型进行数据采样之后，再利用NARX网络模型基于经过低通滤波及归一化处理的采样数据进行建模，得到燃煤锅炉的网络模型，能够准确对真实锅炉进行描述，实现数据预测，为国家能源安全提供基础数据。

在本实施例中，得到模型的预测输出结果之后，可以将输出结果从归一化之后的尺度空间恢复到最初始的原尺度空间，以便更直观的提供给用户。

基于图1所示方案，参考图3，为本申请实施例二提供的一种火力发电厂燃煤锅炉的建模方法的流程图，在所述步骤105之后，所述方法还可以包括以下步骤：

步骤106：获得燃煤锅炉的NARX网络模型的模型输出结果与实际输出结果的均方误差。

步骤107：将均方误差作为目标函数，利用自适应学习率和动量的梯度下降优化算法中的对所述燃煤锅炉的NARX网络模型进行模型优化；

其中，在目标函数的条件下，和分别是t次和t-1次迭代网络参数(包括网络的权重矩阵和偏置项)的变化量，是目标函数相对于网络参数的梯度，lr是学习率，mc是动量，y_t为时间序列t时的实际输出结果，h_n为包含了n个反馈输入参数的NARX网络模型的输入，f_o(h_n|θ)是在网络参数为θ模型输入h_n的情况下NARX网络模型的输出，N为所述采样数据的采样个数。在本实施例中，初始设置学习率为0.01，动量为0.9。

也就是说，本实施例中，选择真实输出与模型输出的均方误差(mean square error，MSE)作为优化的目标函数，在系统参数集为θ的情况下，定义损失函数(目标函数)为

使用自适应学习和动量的梯度下降优化方法，梯度下降的学习率为0.01，动量为0.9，为实现C(θ)的最小化，对θ进行求导，参数的更新规则为：

基于此，为实现学习率的自适应调整，设置学习率增加系数为1.1，学习率下降系数为0.8，阈值因子为1.05，即：如果在每次迭代中目标函数沿着某个方向稳定下降，那么学习率增大1.1倍，加快下降速度，如果此次优化的目标函数值与上次迭代的比值，超过阈值因子1.05，那么学习率下调到0.8倍，以寻找更优的方向，实现模型优化。

参考图4，为本申请实施例三提供的一种火力发电厂燃煤锅炉的建模方法中步骤103的实现流程图，其中，所述步骤103可以通过以下步骤实现：

步骤131：基于预设的平滑因子，对每个时间序列上的采样数据分别进行滤波处理。

本实施例可以利用x_t′＝w₁x_t-2+w₂x_t-1+w₃x_t+w₄x_t+1及w₁+w₂+w₃+w₄＝1，对时间序列t上的采样数据进行滤波。

其中，x代表为时间序列t上的一种采样数据的初始数据，如符合L或者氧量O等，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，w₁、w₂、w₃、w₄为平滑因子，w₁、w₂、w₃、w₄组成平滑系数w。

步骤132：将经过低通滤波后的采样数据映射到预设的阈值区间中。

本实施例中，可以利用将低通滤波后的采样数据映射到阈值区间(-1,1)之间。

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，x″为映射到阈值区间(-1,1)之间的采样数据的最终数据。

参考图5，为本申请实施例四提供的一种火力发电厂燃煤锅炉的建模方法中步骤105的实现流程图，其中，所述步骤105可以通过以下步骤实现：

步骤151：基于所述模型层级及每层中的神经元，搭建NARX网络模型的初始模型。

其中，所述初始模型包括输入层、第一隐含层、第二隐含层及输出层，所述第一隐含层、所述第二隐含层及所述输出层中分别包含多个神经元。

具体的，如图6及图7中初始模型的架构b1～b3所示，输入层包含30个变量，分别对应21个输入变量及9个由输出层反馈的9个输出变量；第一隐含层包含16个神经元，第二隐含层包含12个神经元，输出层包含9个神经元，对应9个输出变量。

需要说明的是，本实施例搭建的初始模型中时间窗d＝1，p＝1。

步骤152：利用激活函数对所述初始模型中的所述输入层、所述第一隐含层、所述第二隐含层及输出层进行激活，得到所述燃煤锅炉的NARX网络模型。

具体的，本实施例中利用hyperbolic tangent函数对所述输入层、所述第一隐含层及所述第二隐含层进行激活；

再利用线性对称函数h＝ax+b，对所述输出层进行激活，得到所述燃煤锅炉的NARX网络模型，a和b为预设值。

相对于现有技术中的物理模型，会受锅炉实际物理参数的影响，当锅炉持续运行时间较长后会造成模型参数漂移，建立的模型也会相应失效，而现有技术中传统的基于神经网络的锅炉建模方案没有考虑到锅炉运行指标与调整参数间的时滞效应，同时把各时间点样本数据独立处理，没有考虑到运行指标的时间维度相关性的情况，由上述各个实施例方案中所示，本实施例中能够充分考虑锅炉运行的时滞特性和时间序列效应，对于不同工作状态的锅炉参数具有更好的适应性，减小参数漂移问题。本申请实施例中针对燃煤锅炉的指征变量给出了基于带外部输入的非线性自回归递归神经网络的建模方法，适用于多种具有此类指征参数的燃煤锅炉建模。

图8为本申请实施例五提供的一种火力发电厂燃煤锅炉的建模系统的结构示意图，其中，本实施例的系统可以包括以下结构：

参数确定单元801，用于确定燃煤锅炉所建模型的至少一个输入参数类型及至少一个输出参数类型。

其中，这里的输入参数类型可以根据需求设置，本实施例中输入参数类型有21个：负荷L，负荷率Lr，氧量O，一级减温水流量F_cw1,A，F_cw1，B，二级减温水流量F_cw2，A，F_cw2，B，空预器入口风温T_ap.A T_ap.B，锅炉入口风温T_b，空预器冷端综合温T_ce，给水温T_fw，主汽温T_fs.t，再热汽温T_rs.t，主汽压P_fs.t，再热汽压P_fs.t，循环水入口温T_wi.t，循环水出口温T_wo.t，低压缸排气温T_ce.t，凝结水温T_c.t，凝汽器真空V_c.t。

本实施例中的输出参数类型有9个：锅炉汽温T_fs，锅炉汽压P_fs，锅炉再热汽温T_rs，排烟温度T_s.A，T_s.B，净烟气量F_g，原烟气量F_g2，煤耗率C，锅炉效率f_b。

数据采样单元802，用于针对所述输入参数类型及所述输出参数类型，分别进行采样，获得参数类型对应的采样数据。

本实施例中可以在设定采样频率及采样个数N之后，开始对各个输入参数类型及输出参数类型分别进行采样，得到N个时间序列对应的采样数据。

采样处理单元803，用于对采样数据进行低通滤波及归一化处理。

模型参数确定单元804，用于基于所述采样数据中参数类型的个数以及所述参数类型之间的耦合关系，确定NARX网络模型的模型层级、每层中的神经元及激活函数。

其中，本实施例中NARX网络模型的模型层级可以有：输入层、隐含层及输出层等，其中，每个层级中均含有至少一个神经元，且每个层级均对应相应的激活函数。

需要说明的是，本实施例中除了确定NARX网络模型的模型层级、每层中的神经元及激活函数之外，还会基于采样数据中参数类型的个数以及参数类型之间的耦合关系，确定NARX网络模型的自回归部分的阶数，用于搭建NARX网络模型。

模型建立单元805，用于利用所述模型层级、每层中的神经元及激活函数，对所述采样数据进行建模，得到燃煤锅炉的NARX网络模型。

需要说明的是，在得到燃煤锅炉的NARX网络模型之后可以可以利用该模型进行预测，选取燃煤锅炉指征变量如锅炉汽温、锅炉汽压、烟气量、耗煤率等作为输出变量，输入到本实施例中的NARX网络模型中进行预测，得到相应的预测结果，如图2a～图2d中所示，对于锅炉汽温、锅炉排烟温度、净烟气量及煤耗率进行预测，相对于AR模型(非线性自回归模型)、TDNN模型(时滞神经网络模型)，本实施例中的NARX网络模型的预测输出结果明显更加贴近实际数据，预测效率明显由于前两者。

由上述方案可知，本申请实施例五提供的一种火力发电厂燃煤锅炉的建模系统，通过针对预先确定的各种输入参数类型及输出参数类型进行数据采样之后，再利用NARX网络模型基于经过低通滤波及归一化处理的采样数据进行建模，得到燃煤锅炉的网络模型，能够准确对真实锅炉进行描述，实现数据预测，为国家能源安全提供基础数据。

在本实施例中，得到模型的预测输出结果之后，可以将输出结果从归一化之后的尺度空间恢复到最初始的原尺度空间，以便更直观的提供给用户。

图9为本申请实施例六提供的一种火力发电厂燃煤锅炉的建模系统的结构示意图，所述系统还可以包括以下结构：

模型优化单元806，用于获得所述燃煤锅炉的NARX网络模型的模型输出结果与实际输出结果的均方误差，将所述均方误差作为目标函数，利用自适应学习率和动量的梯度下降优化算法中的对所述燃煤锅炉的NARX网络模型进行模型优化；

其中，在目标函数的条件下，和分别是t次和t-1次迭代网络参数(包括网络的权重矩阵和偏置项)的变化量，是目标函数相对于网络参数的梯度，lr是学习率，mc是动量，y_t为时间序列t时的实际输出结果，h_n为包含了n个反馈输入参数的NARX模型的输入，f_o(h_n|θ)是在网络参数为θ模型输入h_n的情况下NARX模型的输出，N为所述采样数据的采样个数。在本实施例中，初始设置学习率为0.01，动量为0.9。

也就是说，本实施例中，选择真实输出与模型输出的均方误差(mean square error，MSE)作为优化的目标函数，在系统参数集为θ的情况下，定义损失函数(目标函数)为

使用自适应学习和动量的梯度下降优化方法，梯度下降的学习率为0.01，动量为0.9，为实现C(θ)的最小化，对θ进行求导，参数的更新规则为：

基于此，为实现学习率的自适应调整，设置学习率增加系数为1.1，学习率下降系数为0.8，阈值因子为1.05，即：如果在每次迭代中目标函数沿着某个方向稳定下降，那么学习率增大1.1倍，加快下降速度，如果此次优化的目标函数值与上次迭代的比值，超过阈值因子1.05，那么学习率下调到上次的0.8，以寻找更优的方向，实现模型优化。

图10为本申请实施例七提供的一种火力发电厂燃煤锅炉的建模系统中所述采样处理单元803的结构示意图，其中，所述采样处理单元803可以包括以下结构：

采样平滑处理子单元831，用于基于预设的平滑因子，对每个时间序列上的采样数据分别进行滤波处理。

其中，所述采样平滑处理子单元831具体用于：

利用x_t′＝w₁x_t-2+w₂x_t-1+w₃x_t+w₄x_t+1及w₁+w₂+w₃+w₄＝1，对时间序列t上的采样数据进行滤波。

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，w₁、w₂、w₃、w₄为平滑因子，w₁、w₂、w₃、w₄组成平滑系数w。

归一化处理子单元832，用于将经过低通滤波后的采样数据映射到预设的阈值区间中。

其中，所述归一化处理子单元832具体用于：

利用将低通滤波后的采样数据映射到阈值区间(-1,1)之间。

其中，x_t′为时间序列t对应的采样数据x_t经过低通滤波后的采样数据，x″为映射到阈值区间(-1,1)之间的采样数据。

图11为本申请实施例八提供的一种火力发电厂燃煤锅炉的建模系统中所述模型建立单元805的结构示意图，所述模型建立单元805可以包括以下结构：

初始模型搭建子单元851，用于基于所述模型层级及每层中的神经元，搭建NARX网络模型的初始模型。

其中，所述初始模型包括输入层、第一隐含层、第二隐含层及输出层，所述第一隐含层、所述第二隐含层及所述输出层中分别包含多个神经元。

具体的，如图6及图7中初始模型的架构b1～b3所示，输入层包含30个变量，分别对应21个输入变量及9个由输出层反馈的9个输出变量；第一隐含层包含16个神经元，第二隐含层包含12个神经元，输出层包含9个神经元，对应9个输出变量。

需要说明的是，本实施例搭建的初始模型中时间窗d＝1，p＝1。

初始模型激活子单元852，用于利用激活函数对所述初始模型中的所述输入层、所述第一隐含层、所述第二隐含层及输出层进行激活，得到所述燃煤锅炉的NARX网络模型。

具体的，所述初始模型激活子单元852具体用于：

利用激活函数对所述输入层、所述第一隐含层及所述第二隐含层进行激活，再利用激活函数h＝ax+b，对所述输出层进行激活，得到所述燃煤锅炉的NARX网络模型，a和b为预设值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件(例如处理器)来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

本实施例方法所述的功能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设备可读取存储介质中。基于这样的理解，本发明实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机，服务器，移动计算设备或者网络设备或处理器等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。