氮氧化物排放量预测模型的确定方法、装置及设备与流程

本发明涉及工业排放量预测领域，特别涉及一种氮氧化物排放量预测模型的确定方法、装置、设备及计算机可读存储介质。

背景技术

燃煤发电是我国电力生产中的重要组成部分，虽然近年来新能源发展迅速，至2030年，燃煤发电仍然会占据全国发电量的50％以上。燃煤发电主要污染物之一氮氧化物(nox)是光学污染、酸雨产生的重要原因，严重影响空气质量、人体健康、植物生长等。而随着经济的快速发展和生活水平的日益提高，人们对生活环境也提出了新的要求，这给电力生产带来了新的挑战。中国正面临着资源短缺、能源供应安全以及环境污染三大问题，节能减排已成为经济科学发展和能源战略的重要组成部分。

对现役电站燃煤锅炉的优化主要可以分为“硬”方案和“软”方案两方面。“硬”方案主要是指对硬件设备进行技术改造和更换，用效率更高的新设备替代原有设备。设备改造一方面需要大量的资金投入，而且设备的改进余地有限，同时还造成了旧设备的浪费；另一方面单纯地更换设备并不能从根本上解决问题，随着设备的磨损和老化，运行工况会严重偏离最优设计值，从而导致效率降低。“软”方案是指在不更换原有设备的情况下，更多地通过先进的检测、控制和优化方法来提高生产效率。例如，利用入炉煤信息来优化配风，以及采用先进的控制策略调整运行参数来实现燃烧过程的优化，从而减少烟气中飞灰含碳量和排放等。“软”方案不需要增加太多硬件设备，实施成本低，性价比较高，因此，具有更广泛的应用前景。

在“软”方案中的核心是构建预测氮氧化物排放量的模型，现有的实现方案是结合软聚类、最小二乘支持向量机和偏最小二乘回归的集成学习建模方法，该模型将利用软聚类(sfcm)把原始数据划分成相互重叠并有差异的子数据集；然后在每组数据集上建立最小二乘支持向量机(lssvm)个体模型，并将样本隶属度与各子模型的输出共同作为合成策略的输入变量；最后利用偏最小二乘回归作为合成函数消除各个子模型之间以及隶属度变量间的相关性，提取差异度较大的部分。

但是，目前构建软测量模型除了采用热工试验数据外，更多的是利用数据库中存储的历史运行工况下的数据样本。历史运行数据与试验数据不同，并不满足均匀特性，它数据量大、多变量时间序列数据采样频率不一而且多工况分布，而该方法无法解决多变量时间序列数据采样频率不一和时序对应的情况并做数据分析，因此需要寻找新的方法来解决这一问题。

可见，如何解决传统的氮氧化物排放量预测模型无法根据异步时间采样数据训练得到的问题，十分具有研究意义。

技术实现要素：

本发明的目的是提供一种氮氧化物排放量预测模型的确定方法、装置、设备及计算机可读存储介质，用以解决无法根据异步时间采样数据训练得到氮氧化物排放量预测模型的问题。

为解决上述技术问题，本发明提供了一种氮氧化物排放量预测模型的确定方法，应用于燃煤锅炉，包括：

将对所述燃煤锅炉的多维异步时间采样序列作为初始样本其中，i为1到n之间的正整数，n为样本容量，xi为多维的燃煤锅炉参数，yi为与燃煤锅炉参数xi相对应的氮氧化物的实际排放量；

对自变量样本空间进行聚类，确定多个子样本空间其中，t为1到t之间的正整数，t为所述子样本空间的数量；

确定燃煤锅炉参数xi对各个所述子样本空间的隶属度μi＝[μ1i,...,μti]^t，其中，μti为xi对子样本空间的隶属度；

利用显著性偏移卷积神经网络对各个所述子样本空间进行处理；

确定各个所述子样本空间的子空间预测模型其中，ht(·)为子空间样本的子空间预测模型；

分别利用各个所述子空间预测模型计算燃煤锅炉参数xi对应的氮氧化物的预测排放量，得到其中

根据隶属度空间μ＝[μ1,...,μn]ⁿ、预测排放量空间以及因变量样本空间确定重构样本其中，

根据所述重构样本利用偏最小二乘法确定最终的氮氧化物排放量预测模型f(x)，其中，x为待预测的燃煤锅炉参数。

其中，所述利用显著性偏移卷积神经网络对各个所述子样本空间进行处理包括：

利用预设显著性卷积神经网络分别根据各个所述子样本空间确定显著性观测矩阵；

利用预设偏移卷积神经网络分别根据各个所述子样本空间确定偏移预测矩阵；

根据所述显著性观测矩阵和所述偏移预测矩阵，对各个所述子样本空间进行更新。

其中，所述根据所述重构样本利用偏最小二乘法确定最终的氮氧化物排放量预测模型f(x)包括：

根据所述重构样本通过单变量非线性迭代算法确定权重矩阵w、输入负荷矩阵p、输出负荷向量q以及系数矩阵b；

确定最终的氮氧化物排放量预测模型f(x)＝z(x)·w(p^tw)^-1bq^t，其中，z(x)＝[z1(x),...zt(x)]^t，zt(x)＝[h1(x),...,ht(x),μ1(x),...,μt(x)]，μt(x)为燃煤锅炉参数x对子样本空间的隶属度。

其中，所述燃煤锅炉参数xi划分到子样本空间的依据为：

确定燃煤锅炉参数xi对各个子样本空间的隶属度的最大值，并判断所述最大值是否大于

若是，则将燃煤锅炉参数xi划分到与所述最大值相对应的子样本空间；

否则，确定燃煤锅炉参数xi对各个子样本空间的隶属度中大于的多个隶属度，并将燃煤锅炉参数xi划分到与所述多个隶属度相对应的子样本空间中，其中，δ为界限余量参数。

其中，所述燃煤锅炉参数包括发电机功率、磨煤机给煤量、磨煤机入口风量、烟气含氧量中的任意一项或多项。

本发明还提供了一种氮氧化物排放量预测模型的确定装置，应用于燃煤锅炉，包括：

初始样本确定模块：用于将对所述燃煤锅炉的多维异步时间采样序列作为初始样本其中，i为1到n之间的正整数，n为样本容量，xi为多维的燃煤锅炉参数，yi为与燃煤锅炉参数xi相对应的氮氧化物的实际排放量；

子样本空间确定模块：用于对自变量样本空间进行聚类，确定多个子样本空间其中，t为1到t之间的正整数，t为所述子样本空间的数量；

隶属度确定模块：用于确定燃煤锅炉参数xi对各个所述子样本空间的隶属度μi＝[μ1i,...,μti]^t，其中，μti为xi对子样本空间的隶属度；

显著性偏移卷积神经网络模块：用于利用显著性偏移卷积神经网络对各个所述子样本空间进行更新；

子空间预测模型确定模块：用于确定各个所述子样本空间的子空间预测模型其中，ht(·)为子空间样本的子空间预测模型；

预测排放量确定模块：用于分别利用各个所述子空间预测模型计算燃煤锅炉参数xi对应的氮氧化物的预测排放量，得到其中

重构样本确定模块：用于根据隶属度空间μ＝[μ1,...,μn]ⁿ、预测排放量空间以及因变量样本空间确定重构样本其中，

氮氧化物排放量预测模型确定模块：用于根据所述重构样本利用偏最小二乘法确定最终的氮氧化物排放量预测模型f(x)，其中，x为待预测的燃煤锅炉参数。

其中，所述显著性偏移卷积神经网络模块具体包括：

显著性观测矩阵确定单元：用于利用预设显著性卷积神经网络分别根据各个所述子样本空间确定显著性观测矩阵；

偏移预测矩阵确定单元：用于利用预设偏移卷积神经网络分别根据各个所述子样本空间确定偏移预测矩阵；

更新单元：用于根据所述显著性观测矩阵和所述偏移预测矩阵，对各个所述子样本空间进行更新。

其中，所述氮氧化物排放量预测模型确定模块具体包括：

参数确定单元：用于根据所述重构样本通过单变量非线性迭代算法确定权重矩阵w、输入负荷矩阵p、输出负荷向量q以及系数矩阵b；

氮氧化物排放量预测模型确定单元：用于确定最终的氮氧化物排放量预测模型f(x)＝z(x)·w(p^tw)^-1bq^t，其中，z(x)＝[z1(x),...zt(x)]^t，zt(x)＝[h1(x),...,ht(x),μ1(x),...,μt(x)]，μt(x)为燃煤锅炉参数x对子样本空间的隶属度。

此外，本发明还提供了一种氮氧化物排放量预测模型的确定设备，应用于燃煤锅炉，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如上所述的一种氮氧化物排放量预测模型的确定方法的步骤。

最后，本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种氮氧化物排放量预测模型的确定方法的步骤。

综上，本发明所提供的一种氮氧化物排放量预测模型的确定方法，将多维异步时间采样得到的燃煤锅炉参数以及氮氧化物排放量作为初始样本，并将初始样本通过聚类得到多个子样本空间，进而利用显著性偏移卷积神经网络对各个所述子样本空间进行处理，进而确定各个子样本空间的子空间预测模型，并利用子空间预测模型预测各个燃煤锅炉参数对应的预测排放量，根据预测排放量和各个燃煤锅炉参数对各个子样本空间的隶属度，确定重构样本，最后利用偏最小二乘法根据重构样本确定最终的预测模型。可见，该方法利用了显著性偏移卷积神经网络能够处理多维异步时间采样数据的特点，实现了利用多维异步时间采样数据确定各个子样本空间的子空间预测模型的目的，此外还根据工况分布对初始数据进行聚类并利用偏最小二乘法进行合并，避免了因为工况分布多样化导致的预测精度过低的问题。

本发明还提供了一种氮氧化物排放量预测模型的确定装置、设备及计算机可读存储介质，其作用与上述方法的作用相对应，这里不再赘述。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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他的附图。

图1为本发明提供的一种氮氧化物排放量预测模型的确定方法实施例的实现流程图；

图2为本发明提供的一种显著性偏移卷积神经网络的原理示意图；

图3为本发明提供的一种氮氧化物排放量预测模型的确定方法实施例的原理示意图；

图4为本发明提供的一种氮氧化物排放量预测模型的确定装置实施例的结构框图。

具体实施方式

本发明的核心是提供一种氮氧化物排放量预测模型的确定方法、装置、设备及计算机可读存储介质，解决了无法根据多维异步时间采样数据确定氮氧化物排放量预测模型的问题，提高了预测的精准度。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

下面对本发明提供的一种氮氧化物排放量预测模型的确定方法实施例进行介绍，参见图1，该方法实施例包括：

步骤s101：将对所述燃煤锅炉的多维异步时间采样序列作为初始样本其中，i为1到n之间的正整数，n为样本容量，xi为多维的燃煤锅炉参数，yi为与燃煤锅炉参数xi相对应的氮氧化物的实际排放量。

本发明中主要研究多维的燃煤锅炉参数，且各个维度上的燃煤锅炉参数在采样频率不一，所述燃煤锅炉参数具体指影响燃煤锅炉的氮氧化物排放量的参数，具体可以包括发电机功率、磨煤机给煤量、磨煤机入口风量、烟气含氧量中的任意一项或多项。

步骤s102：对自变量样本空间进行聚类，确定多个子样本空间其中，t为1到t之间的正整数，t为所述子样本空间的数量。

具体的，通过燃煤锅炉参数的分布来进行聚类，需要特别说明的是，传统的聚类方法，例如模糊均值聚类(fcm)基于最大隶属度原则将原始样本分为几个互不相交的子类，这样得到的各子类是相互孤立的。在实际问题中，当一个样本属于某类的隶属度远大于属于其他类的隶属度时，采用最大隶属度原则，可以确定地将其划为该类；但对于属于各类的隶属度都很接近的样本，如果仍简单地将其划分为某一单个子类，很大程度上不能准确地描述其性质。

为了更好地处理相邻子空间的边界样本，本实施例可以选用sfcm聚类算法，通过隶属度截集来划分空间，它允许类间边界样本同时属于多个子类，各子样本集之间可以彼此相交。具体的算法如下：

首先，利用fcm聚类方法对初始样本进行聚类，求得燃煤锅炉参数xi对各个子样本空间的隶属度，对于燃煤锅炉参数xi考虑以下两条原则确定将其划分到哪一个子样本空间：

确定燃煤锅炉参数xi对各个子样本空间的隶属度的最大值，并判断所述最大值是否大于若是，则将燃煤锅炉参数xi划分到与所述最大值相对应的子样本空间；否则，确定燃煤锅炉参数xi对各个子样本空间的隶属度中大于的多个隶属度，并将燃煤锅炉参数xi划分到与所述多个隶属度相对应的子样本空间中，其中，δ为界限余量参数。

这样，当能明确判断出子类之间的界限时，例如当隶属度接近1时，燃煤锅炉参数xi只属于单个子样本空间；当子类之间的界限不明确时，例如当隶属度略大于1/t时，燃煤锅炉参数xi可能同时属于多个子样本空间。

步骤s103：确定燃煤锅炉参数xi对各个所述子样本空间的隶属度μi＝[μ1i,...,μti]^t，其中，μti为xi对子样本空间的隶属度。

需要说明的是，由于在确定子样本空间的过程中需要根据隶属度来进行划分，因此。准确的来说，步骤s102与步骤s103可以是同时确定的，本实施例在此不限定二者的先后顺序。

步骤s104：利用显著性偏移卷积神经网络对各个所述子样本空间进行处理。

概括的来说，步骤s104包括：利用预设显著性卷积神经网络分别根据各个所述子样本空间确定显著性观测矩阵；利用预设偏移卷积神经网络分别根据各个所述子样本空间确定偏移预测矩阵；最后根据所述显著性观测矩阵和所述偏移预测矩阵，对各个所述子样本空间进行更新。

具体的来讲，显著性偏移卷积神经网络的架构如图2所示，混频时间序列，包括序列值(value)(就是指各个输入参数的值)，指示行(indicator)(指混频的数据参数)和持续时间(duration)都会进入两个卷积神经网络，分别是显著性网络(significantnetwork)和偏移网络(offsetnetwork)。显著性网络包括了多个卷积层，而偏移网络只使用1个卷积层，1维卷积核的大小为1。这两个网络的每个卷积层里都使用1维卷积核，卷积核的大小是固定的，但是数量可变，最后一个卷积层使用的卷积核数量与输出的待预测变量的维度相同(在本文这个模型里即是多维的燃煤锅炉参数)。这两个卷积网络的结果可分别用s和off表示，待预测变量用xⁱ表示(指多维的燃煤锅炉参数的值)。

xⁱ的值由偏移网络off修正后再依据选通机制σ(s)计算权重得到：

最后再由一个全连接层得到最终输出：hn＝whn-1+b。

步骤s105：确定各个所述子样本空间的子空间预测模型其中，ht(·)为子空间样本的子空间预测模型。

步骤s106：分别利用各个所述子空间预测模型计算燃煤锅炉参数xi对应的氮氧化物的预测排放量，得到其中

步骤s107：根据隶属度空间μ＝[μ1,...,μn]ⁿ、预测排放量空间以及因变量样本空间确定重构样本其中，

步骤s108：根据所述重构样本利用偏最小二乘法确定最终的氮氧化物排放量预测模型f(x)，其中，x为待预测的燃煤锅炉参数。

偏最小二乘法通过提取输入样本也就是本实施例中的重构样本的最大方差，能有效地消除变量之间的共线性，并抑制样本中的噪声干扰。这里利用偏最小二乘法作为合成策略来提取各子模型中差异性较大的成分，消除冗余和共线性信息。

对于偏最小二乘法合成函数，另外，由于各子样本集空间的密度和半径各不相同，对任意的样本，其模糊隶属度向量也会影响最终的集成输出结果，因此考虑其输入样本z＝[z1,...,zn]^t，和单输出样本其中n为样本数，在提取主成分时可以采用单变量非线性迭代(nipals)算法。通过求解提取出pls各主成分，并得到权重矩阵w、输入负荷矩阵p、输出负荷向量q以及系数矩阵b。这样，合成函数可以表示为:f(x)＝z(x)·w(p^tw)^-1bq^t。

综上，步骤s108具体为：根据所述重构样本通过单变量非线性迭代算法确定权重矩阵w、输入负荷矩阵p、输出负荷向量q以及系数矩阵b；确定最终的氮氧化物排放量预测模型f(x)＝z(x)·w(p^tw)^-1bq^t，其中，z(x)＝[z1(x),...zt(x)]^t，zt(x)＝[h1(x),...,ht(x),μ1(x),...,μt(x)]，μt(x)为燃煤锅炉参数x对子样本空间的隶属度。

综上，基于电站历史运行数据利用基于显著性偏移卷积神经网络集成学习模型建模方法建立氮氧化物排放量的软测量模型，模型结构图如图3所示。该模型首先利用sfcm聚类算法把初始样本按照输入变量进行模糊划分得到t个子样本空间，并利用显著性卷积神经网络对各个子样本进行处理，并确定子模型，然后利用合成策略将子模型结合来得到最终的输出。具体的，整个模型的建立过程可以划分为训练阶段和测试阶段，在步骤s108之后，即得到预测模型之后，还可以利用测试样本对预测模型进行训练。可以是在步骤s101确定初始样本的时候，就分别确定用于训练的样本和用于测试的样本，以实现优化和检验最终的预测模型的目的。

下面对步骤s105进行详细的介绍，基于运行工况的特点，利用sfcm算法对初始样本划分，得到t个不同的子样本空间。下面对根据任一子样本空间确定子空间预测模型的过程进行介绍，其他子样本空间确定对应的子空间预测模型的过程可以参照以下过程：

假定某一子样本空间包含n个样本，选取显著性偏移卷积神经网络作为个体回归模型，我们的目的是预测元素子集xn的相对未来值其中是xn的特征子集。设i∈1,2,...,di。其中，s，f：是显著性神经网络和偏移神经网络，σ是在每一行上独立的归一化激活函数，即对于任意和σ，使得σ(a)^t1m＝1，是hadamard(元素)矩阵乘法。

方程中的求和超过了括号中矩阵的列，因此输出向量的第i元素是矩阵的第i行的线性组合，我们将考虑s是完全卷积的网络(完全由卷积层组成)和f的形式其中和off：是一个多层感知器，在这种情况下，f可以看作投影之和(x→xi)并且可以将长度为1的所有核的卷积网络重写为方程：其中s(·)m是矩阵s(·)的第m个列。我们将该网络称为显著性偏移卷积神经网络(socnn)，而s和off则称为显著性和偏移网络。注意，当off＝0且σ＝1时，该模型简化了对每个维的分离ar(m)模型的集合。

网络将时间维保持到顶层，而隐藏层中的每个时间步骤(过滤器)的特征数是自定义的。最后一个卷积层，无论怎样，都有相当于输出维数的滤波器数，加权帧显示来自显著性和偏移网络的输出是如何与方程相结合的。

请注意，方程的形式加强了时间依赖(以权值wm为单位)的分离，观测值sm(s作为卷积网络的局部意义是由它的滤子决定的，这些滤波器捕获时间上的依赖关系，并独立于时间上的相对位置)和时间上完全独立的预测器off。这提供了一些合适函数和权重的可解释性。例如，过去的每一次观测都通过偏移网络为目标变量提供了一个调整后的单回归器。请注意，由于异步采样过程，x的连续值可能是异构的，因此，另一方面，显著性网络为所有回归器提供了数据依赖的权重，并对它们进行了累加。

综上，本实施例所提供的一种氮氧化物排放量预测模型的确定方法，将多维异步时间采样得到的燃煤锅炉参数以及氮氧化物排放量作为初始样本，并将初始样本通过聚类得到多个子样本空间，利用显著性偏移卷积神经网络对各个子样本空间进行处理，进而确定各个子样本空间的子空间预测模型，并利用子空间预测模型预测各个燃煤锅炉参数对应的预测排放量，根据预测排放量和各个燃煤锅炉参数对各个子样本空间的隶属度，确定重构样本，最后利用偏最小二乘法根据重构样本确定最终的预测模型。可见，该方法利用了显著性偏移卷积神经网络能够处理多维异步时间采样数据的特点，实现了利用多维异步时间采样数据确定各个子样本空间的子空间预测模型的目的，此外还通过根据工况分布对初始数据进行聚类并利用偏最小二乘法融合的方式，避免了因为工况分布多样化导致的预测精度过低的问题。

下面对本发明实施例提供的一种氮氧化物排放量预测模型的确定装置实施例进行介绍，下文描述的一种氮氧化物排放量预测模型的确定装置与上文描述的一种氮氧化物排放量预测模型的确定方法可相互对应参照。

参见图4，该装置实施例包括：

初始样本确定模块401：用于将对所述燃煤锅炉的多维异步时间采样序列作为初始样本其中，i为1到n之间的正整数，n为样本容量，xi为多维的燃煤锅炉参数，yi为与燃煤锅炉参数xi相对应的氮氧化物的实际排放量。

子样本空间确定模块402：用于对自变量样本空间进行聚类，确定多个子样本空间其中，t为1到t之间的正整数，t为所述子样本空间的数量。

隶属度确定模块403：用于确定燃煤锅炉参数xi对各个所述子样本空间的隶属度μi＝[μ1i,...,μti]^t，其中，μti为xi对子样本空间的隶属度。

显著性偏移卷积神经网络模块404：用于利用显著性偏移卷积神经网络对各个所述子样本空间进行处理；

子空间预测模型确定模块405：用于确定各个所述子样本空间的子空间预测模型其中，ht(·)为子空间样本的子空间预测模型。

预测排放量确定模块406：用于分别利用各个所述子空间预测模型计算燃煤锅炉参数xi对应的氮氧化物的预测排放量，得到其中

重构样本确定模块407：用于根据隶属度空间μ＝[μ1,...,μn]ⁿ、预测排放量空间以及因变量样本空间确定重构样本其中，

氮氧化物排放量预测模型确定模块408：用于根据所述重构样本利用偏最小二乘法确定最终的氮氧化物排放量预测模型f(x)，其中，x为待预测的燃煤锅炉参数。

其中，所述显著性偏移卷积神经网络模块404具体包括：

显著性观测矩阵确定单元4041：用于利用预设显著性卷积神经网络分别根据各个所述子样本空间确定显著性观测矩阵。

偏移预测矩阵确定单元4042：用于利用预设偏移卷积神经网络分别根据各个所述子样本空间确定偏移预测矩阵。

更新单元4043：用于根据所述显著性观测矩阵和所述偏移预测矩阵，对各个所述子样本空间进行更新。

其中，所述氮氧化物排放量预测模型确定模块408具体包括：

参数确定单元4081：用于根据所述重构样本通过单变量非线性迭代算法确定权重矩阵w、输入负荷矩阵p、输出负荷向量q以及系数矩阵b。

氮氧化物排放量预测模型确定单元4082：用于确定最终的氮氧化物排放量预测模型f(x)＝z(x)·w(p^tw)^-1bq^t，其中，z(x)＝[z1(x),...zt(x)]^t，zt(x)＝[h1(x),...,ht(x),μ1(x),...,μt(x)]，μt(x)为燃煤锅炉参数x对子样本空间的隶属度。

本实施例提供的一种氮氧化物排放量预测模型的确定装置用于实现前述的一种氮氧化物排放量预测模型的确定方法，因此该装置中的具体实施方式可见前文中的一种氮氧化物排放量预测模型的确定方法的实施例部分，例如，初始样本确定模块401、子样本空间确定模块402、隶属度确定模块403、显著性偏移卷积神经网络模块404、子空间预测模型确定模块405、预测排放量确定模块406、重构样本确定模块407、氮氧化物排放量预测模型确定模块408，分别用于实现上述一种氮氧化物排放量预测模型的确定方法中步骤s101，s102，s103，s104，s105，s106，s107，s108。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例提供的一种氮氧化物排放量预测模型的确定装置用于实现前述一种氮氧化物排放量预测模型的确定方法，因此其作用与上述方法的作用相对应，这里不再赘述。

此外，本发明还提供了一种氮氧化物排放量预测模型的确定设备，应用于燃煤锅炉，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如上所述的一种氮氧化物排放量预测模型的确定方法的步骤。

最后，本发明还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上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的一种氮氧化物排放量预测模型的确定方法的步骤。

另外，由于本发明提供的一种氮氧化物排放量预测模型的确定设备以及计算机可读存储介质用于实现前述一种氮氧化物排放量预测模型的确定方法，因此其作用与上述方法的作用相对应，此外，其具体实施方式也可以参见上述方法实施例的描述，这里不再展开介绍。

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。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本发明所提供的一种氮氧化物排放量预测模型的确定方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。