一种基于模型辨识降低锅炉飞灰含碳量的方法和系统与流程

1.本发明涉及火电机组领域，尤其涉及一种基于模型辨识降低锅炉飞灰含碳量的方法和系统。


背景技术：

2.锅炉机组飞灰可燃物含量是反映燃煤锅炉机组燃烧效率的重要技术指标和主要运行经济指标，机组正常运行应当控制飞灰含碳量在合适的范围内。但是由于近些年煤炭市场紧张，许多发电企业由于不能保证燃煤供应，不得不燃用大量与设计煤种参数相差很大的煤种，或者掺烧一些高灰分，低挥发分的劣质煤种，直接导致了许多机组出现效率降低、飞灰含碳量增加等一系列问题。
3.当飞灰含碳量较高时，煤粉无法正常燃烬，火焰中心将上移，造成炉膛出口区域烟气超温和造成位于该区域的高温过热器、再热器管超温，影响主汽温度的稳定调整，长此以往，就会造成爆管等突发事故。
4.当飞灰含碳量较高时，炉内会存在还原性气氛，在欠氧区域的水冷壁管受含碳灰粒的冲撞，容易产生高温腐蚀，并且在还原性气氛中，灰熔点比处于氧化性气氛中低，从而容易在水冷壁管或过热器管结焦。
5.当飞灰含碳量过高时，增大了电除尘的电耗，同时会降低其效率，大量的粉尘排入大气，对环境会造成一定的污染。
6.当飞灰含碳量较高时，将造成粉煤灰的细度、烧失量、需水量明显增加，从而降低了粉煤灰的品质，制约了其综合利用。
7.可以看出，飞灰含碳量过高对电厂的危害是相当大的。为了有效的控制飞灰含碳量，必须及时准确地获取其数值以指导运行人员进行燃烧调整，但长期以来飞灰含碳量的获取一直沿用传统的重量燃烧法，该方法所得数据经常滞后所测工况数小时，甚至更长，难以及时反映锅炉燃烧状况，从而在运行中难以对燃烧调整起到指导作用。
8.飞灰含碳量就是通过测定飞灰中没有完全燃烧的碳的含量来反应机械不完全燃烧损失的大小，另外飞灰含碳量大还会增大尾部受热面的磨损、排烟温度升高、在炉内形成还原性的气体使飞灰的熔点降低、电除尘的效率下降、粉煤灰的利用性降低等不利因素。因此，在锅炉运行过程中控制飞灰含碳量的值具有实际的应用价值。影响飞灰含碳量的因素是很多的，有些是运行人员难以控制的，如锅炉的负荷、煤质、炉内的空气动力场，而有些是运行人员通过操作、调整能够得到改善的，如煤粉细度、合适的过剩空气量、燃烧方式、一次风率、配风方式等，最近某电厂锅炉飞灰含碳量比较大，粉煤灰的烧失量也比较高，严重影响了该厂机组经济效益，也影响了粉煤灰的等级。
9.在实现本发明过程中，申请人发现现有技术中至少存在如下问题：
10.1.常规控制过程中，根据飞灰含碳量的多少来人为进行调整，但是由于锅炉燃烧是一个复杂性、多样性、强耦合的过程，影响因素比较多，运行人员根据经验水平调整往往得不到很好的控制效果；
11.2.现有技术中有利用现场的dcs数据建立神经网络模型来预测飞灰含碳量。但是该方法对于影响飞灰含碳量的影响因素分析不全面，不能准确把握各个影响因素对飞灰含碳量的影响权重大小，也没有辨识出输入输出的传递函数模型，缺乏直观性的认识。


技术实现要素：

12.本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的方法和系统，解决了自动辨识飞灰含碳量传递函数模型，并根据该模型确定的影响因素重要程度自动控制飞灰含碳量的技术问题。
13.为达上述目的，一方面，本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的方法，包括：
14.获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；
15.对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；
16.对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；
17.使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数；
18.将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；
19.根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；
20.通过调整所述需要调整的影响因素降低锅炉飞灰含碳量。
21.进一步地，所述对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据，包括：
22.针对每个影响因素的时序数据和所述飞灰含碳量的时序数据设定零初始值和剔除低频成分处理；
23.对设定零初始值和剔除低频成分处理后的每个影响因素的时序数据和所述飞灰含碳量的时序数据通过低通滤波器进行数据滤波得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据。
24.进一步地，所述对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列，包括：
25.将指定的历史时间范围划分为指定数量的子时间区间；
26.分别针对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据按各子时间区间划分为所述指定数量的分组；
27.针对每个影响因素和所述飞灰含碳量的各分组，分别进行模糊c聚类分析，得到各
分组的聚类中心值；
28.将每个影响因素和所述飞灰含碳量的各分组的聚类中心值按对应的子时间区间的顺序构成该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列。
29.进一步地，所述预先构造的预测模型，包括：各影响因素分别对应的差分方程模型；所述差分方程模型为具有纯迟延的高阶惯性系统对应的差分方程；
30.所述使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数，包括：
31.将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数。
32.进一步地，所述方法，还包括：
33.收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量总量的时序数据；
34.根据指定评估时间范围内的实际飞灰含碳量的时序数据计算实际飞灰含碳量的作用强度；
35.根据指定评估时间范围内的预测飞灰含碳量总量的时序数据计算预测飞灰含碳量总量的作用强度；
36.根据实际飞灰含碳量的作用强度和预测飞灰含碳量总量的作用强度计算预测飞灰含碳量总量相对于实际飞灰含碳量的相对作用强度；
37.根据所述相对作用强度评估使用所述模型参数的预测模型的效果；根据评估得到的效果对预测模型进行改进。
38.另一方面，本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的系统，包括：
39.历史数据获取单元，用于获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；
40.滤波单元，用于对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；
41.聚类单元，用于对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；
42.模型参数确定单元，用于使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数；
43.预测单元，用于将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；
44.影响因素确定单元，用于根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；
45.控制单元，用于通过调整所述需要调整的影响因素降低锅炉飞灰含碳量。
46.进一步地，所述滤波单元，包括：
47.预处理模块，用于针对每个影响因素的时序数据和所述飞灰含碳量的时序数据设定零初始值和剔除低频成分处理；
48.低通滤波模块，用于对设定零初始值和剔除低频成分处理后的每个影响因素的时序数据和所述飞灰含碳量的时序数据通过低通滤波器进行数据滤波得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据。
49.进一步地，所述聚类单元，包括：
50.子区间划分模块，用于将指定的历史时间范围划分为指定数量的子时间区间；
51.分组划分模块，用于分别针对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据按各子时间区间划分为所述指定数量的分组；
52.聚类模块，用于针对每个影响因素和所述飞灰含碳量的各分组，分别进行模糊c聚类分析，得到各分组的聚类中心值；
53.聚类中心序列模块，用于将每个影响因素和所述飞灰含碳量的各分组的聚类中心值按对应的子时间区间的顺序构成该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列。
54.进一步地，所述预先构造的预测模型，包括：各影响因素分别对应的差分方程模型；所述差分方程模型为具有纯迟延的高阶惯性系统对应的差分方程；
55.所述模型参数确定单元，具体配置为：
56.将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数。
57.进一步地，所述系统，还包括：效果评价单元，具体配置为：
58.收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量总量的时序数据；根据指定评估时间范围内的实际飞灰含碳量的时序数据计算实际飞灰含碳量的作用强度；根据指定评估时间范围内的预测飞灰含碳量总量的时序数据计算预测飞灰含碳量总量的作用强度；根据实际飞灰含碳量的作用强度和预测飞灰含碳量总量的作用强度计算预测飞灰含碳量总量相对于实际飞灰含碳量的相对作用强度；根据所述相对作用强度评估使用所述模型参数的预测模型的效果；根据评估得到的效果对预测模型进行改进。
59.上述技术方案具有如下有益效果：针对原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次高效处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响，设定了模型的结构类型，采用工程中比较实用的方法，循环比较不同阶次下系统模型和实际数据拟合的好坏；将递推辨识算法应用于控制锅炉飞灰含碳量的领域，在每次递推上采用多次迭代算法，给出也具体的迭代递推公式，能够提高参数估计精度(辨识)并且加快收敛速度，实现了多变量模型辨识，可以获得多个输入之间与输出之间的关系，从而建立起输入与输出之间的规律性关系，为实际运行提供操作依据。根据辨识的模型，深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整；同时，通过dcs运行数据，对模型的输出结果和机组实际运行数据进行误差计算，通过相对
作用强度指标来定量分析模型的好坏，以便于更好的利用模型的输出来为运行人员提供更精准的操作,保证模型的准确性和适用性。对飞灰可燃物含量预测及其优化方法进行研究，对于提高燃煤机组效率，确保机组的安全运行，降低发电企业的生产成本，实现节能减排有着极为重要的意义。
附图说明
60.为了更清楚地说明本发明实施例或现有技术中的技术方案，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他的附图。
61.图1是本发明实施例之一的一种基于模型辨识降低锅炉飞灰含碳量的方法的流程图；
62.图2是本发明实施例之一的一种基于模型辨识降低锅炉飞灰含碳量的系统的架构图；
63.图3是本发明实施例之一的另一种基于模型辨识降低锅炉飞灰含碳量的方法的流程图。
具体实施方式
64.下面将结合本发明实施例中的附图，对本发明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。
65.一方面，如图1所示，本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的方法，包括：
66.步骤s100，获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；
67.在一些实施例中，根据机组的运行情况，确定影响飞灰含碳量的相关影响因素，包括但不限于：过量空气系数、氧量、煤粉细度、负荷、煤质(灰分)、低位发热量、挥发分、送风量、总煤量、磨组合方式、燃尽风开度、热风温度、一次风压、二次风门开度、氧量、空预器出口二次风温、磨煤机出口温度等等。由于运行条件的限制，许多因素都无法随意调节，如锅炉的负荷、磨煤机投运层数、煤粉细度和燃烧器摆角等。从中选出可以调整的变量，包括但不限于：送风量、一次风压、二次风门开度、煤粉细度。根据各个现场的实际运行情况，分析影响锅炉飞灰含碳量的相关影响因素，从中选择出可调整的变量。对可调整的变量进行数据分析，找出对锅炉飞灰含碳量影响最大的几个相关因素，对于一些影响较小的可调整变量可忽略。
68.在确定了可调整的影响因素后，可以从dcs系统(distributed control system，即集散控制系统)中获取在指定的历史时间范围内的可调整的影响因素的时序数据，以及同一历史时间范围内的飞灰含碳量的时序数据。
69.步骤s101，对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤
波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；
70.在一些实施例中，根据dcs输出历史数据(即前述步骤中得到的影响因素的时序数据和飞灰含碳量的时序数据)，首先对数据进行零初始值和剔除低频成分等预处理，采用低通滤波器进行数据滤波，剔除数据中的直流或低频成分。其次为了去除因传感器和数据采集装置的暂时失灵造成的数据失真，对滤波后的数据进行粗大值处理。从dcs中导出相关影响因素的数据，要求选择的数据在一定时间内变化趋势较大。现场采集的数据通常含有直流或低频成分，在进行辨识前需要进行零初始值和剔除低频成分等预处理，采用低通滤波器进行数据滤波。但是在工业生产环境中，传感器和数据采集装置的暂时失灵会导致采集到的数据幅值远超过实际信号的范围，产生粗大值。粗大值对辨识结果可能会造成相当大的潜在影响，采用低阶差分法进行粗大值的处理。现场采集的数据通常都含有高频干扰噪声，虽然很多辨识算法都能很好的抑制这些干扰噪声，需要进行数据的处理，否则对辨识的结果会产生严重的影响。数据滤波采用低通滤波、零初始值处理以及粗大值处理，充分考虑了现场环境、传感器以及采集装置的影响，避免了单一算法滤波对辨识预测模型的模型参数的潜在影响。
71.步骤s102，对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；
72.在一些实施例中，对前述步骤得到的影响因素的滤波后时序数据和飞灰含碳量的滤波后时序数据进行分组聚类，具体的分组聚类方法可以有多种，例如包括但不限于k-means聚类、均值漂移聚类、模糊c均值聚类等等；分组的方式也可以有多种，其中，优选地，可以按各时序数据的时间顺序分为多个时间段，针对每个影响因素和飞灰含碳量都使用相同的时间分段,使得聚类后得到的各影响因素的聚类中心值序列和飞灰含碳量的聚类中心值序列仍在时间顺序上是一一对应的；由于影响因素的滤波后时序数据和飞灰含碳量的滤波后时序数据通常数量庞大，并且其中的连续平稳的数据相当于大量重复的数据，对于后续的模型参数的训练辨识意义不大，而使用大量的数据进行训练会降低训练的效率，通过分组聚类，显著减少后续步骤中训练时使用的训练数据，可以提高训练效率，同时，分组聚类保留了最具有代表性的数据，能提高训练后得到的模型参数的准确性。
73.步骤s103，使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数；
74.在一些实施例中，该预测模型由线性和/或非线性函数构成；使用前述步骤处理后的数据进行模型参数的训练辨识，基于前述步骤102中的分组聚类，使输入给预测模型的训练数据更具有代表性，并且数量相对更少，即提高了训练的效率也减少了相似数据对训练的负面影响提高了训练得到的模型参数的准确性，步骤102和步骤103因此具有紧密的前后配合关系。预测模型可以根据经验或者对历史数据的统计分析等多种途径预先构造，预测模型中存在一个或多个待确定的参数，通过将各影响因素的聚类中心值序列中的每个值作为模型的自变量，将飞灰含碳量的聚类中心值序列中的相应值作为目标值，代入模型，经过多次迭代训练确定模型中各模型参数的最优值，从而确定预测模型。与神经网络的方法相比，本实施例具有明确的预测模型而不是一组只能看做黑盒且无法解释的神经网络，基于明确的预测模型，技术人员可以根据后续实际使用效果进行进一步地分析，从而更容易根
据使用效果对预测模型进行明确的改进，而且由于预测模型是明确已知的，在改进的过程中，技术人员可以避免新的改进导致预测模型出现不可预知的行为；神经网络的方法无法达到上述效果，神经网络由于是作为一个整体的黑盒被训练数据训练得到的，技术人员无法对神经网络内部的局部进行改进，而且针对使用新的数据训练的新的神经网络也无法预判其是否会出现其他不可预知的行为，这是目前神经网络技术仍无法避免的问题，本实施例使用预先定义的预测模型，则不能存在神经网络方法的上述问题。
75.步骤s104，将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；
76.在一些实施例中，经前述步骤获得了确定模型参数的预测模型，使用该确定了模型参数的预测模型用于实际运行期间对飞灰含碳量进行预测，并且通过预测模型预测每个影响因素导致的飞灰含碳量作为预测飞灰含碳量分量，以及所有影响因素总体导致的预测飞灰含碳量总量。
77.步骤s105，根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；
78.在一些实施例中，通过确定了模型参数的预测模型在实际运行中，得到了针对实际运行期间的预测飞灰含碳量总量和各影响因素对应的预测飞灰含碳量分量，从而可以计算各预测飞灰含碳量分量在预测飞灰含碳量总量中所占的比重，针对所占比重大于指定比重阈值的影响因素确定为需要调整的影响因素。
79.步骤s106，通过调整所述需要调整的影响因素降低锅炉飞灰含碳量。
80.在一些实施例中，辨识出的模型可以用来分析输入参数对输出的影响结果，还可以分析出不同输入对输出影响的惯性权重大小，最终用来指导运行人员的操作调整。在实际运行过程中，输入参数的调整必然对输出产生影响。根据前述步骤确定的需要调整的影响因素，按该影响因素与飞灰含碳量的正向关系或反向关系调整相应的影响因素，降低因该影响因素导致的飞灰含碳量，从而降低整体的飞灰含碳量总量。正向关系指随着影响因素所代表的物理量的增加，飞灰含碳量也会增加，此时，需要降低该影响因素的供给量来降低飞灰含碳量；反向关系指随着影响因素所代表的物理量的增加，飞灰含碳量会减少，此时，需要增加该影响因素的供给量来降低飞灰含碳量。
81.本发明实施例具有如下技术效果：原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次高效处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响，设定了模型的结构类型，采用工程中比较实用的方法，能够提高参数估计精度(辨识)并且加快收敛速度，实现了多变量模型辨识，可以获得多个输入之间与输出之间的关系，从而建立起输入与输出之间的规律性关系，为实际运行提供操作依据。根据辨识的模型，深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整。
82.进一步地，所述对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据，包括：
83.针对每个影响因素的时序数据和所述飞灰含碳量的时序数据设定零初始值和剔除低频成分处理；
84.对设定零初始值和剔除低频成分处理后的每个影响因素的时序数据和所述飞灰含碳量的时序数据通过低通滤波器进行数据滤波得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据。
85.在一些实施例中，优选地，指定的历史时间范围可以为从dcs中选择出趋势变化比较大的时间范围，导出相关数据包括至少一个影响因素的时序数据和飞灰含碳量的时序数据，时序数据的时间间隔可优选为1秒。
86.从现场采集的数据(即影响因素的时序数据和飞灰含碳量的时序数据)通常都含有高频干扰噪声，表现为数据曲线上有许多的毛刺，这对后续步骤中训练模型辨识模型参数是不利的。因此，对采集来的数据一般都要进行零初始值和剔除低频成分等预处理。
87.具体地，可以数据滤波，优选地，可以使用低通滤波器，其传递函数可以为公式(1)
[0088][0089]
公式(1)所表示的低通滤波器传递函数的零阶保持器下的差分方程为公式(2)：
[0090][0091]
其中：ω
cl
——低通滤波器的截止频率；u(k)——需要滤波的数据；y1(k)——通过低通滤波后的输出。
[0092]
优选地，通过以下方法进行零初始值处理：
[0093]
从现场采集来的数据是在系统稳定(平衡点)的情况下，加入激励信号后得到的系统的输入和输出数据。如果不对数据进行零初始值处理，就等于假设平衡点在系统实际的零值点。而实际采集的未经处理的输入输出数据的零点可能完全是任意的。
[0094]
当系统数据采集起始于系统运动的某个平衡态，这个平衡态就能当作已知的平衡态，即系统输入输出的零点。此时，零初始值后的数据可由公式(3)表示：
[0095][0096]
其中：kk(k)为需要进行零初始值滤波的数据yk(k)为通过零初始值处理后的输出；u(k)为需要滤波的输入数据；y(k)为通过低通滤波的输出数据；u(i)为需要滤波的输入数据的中间值；y(i)为需要低通滤波的输出数据的中间值；n为零初始点数据个数，一般取4～6点即可。
[0097]
优选地，通过以下方法进行粗大值处理：
[0098]
在工业生产环境中，传感器和数据采集装置的暂时失灵会导致采集到的数据幅值远超过实际信号的范围，把此时的数据称为粗大值。粗大值对辨识结果可能会造成相当大的潜在影响，必须加以剔除。采用一种低阶差分法对数据进行粗大值处理。
[0099]
假设原始数据u(i)的前四点是正常数据，那么从第5点开始，满足公式(4)的点则可视为粗大值，即
[0100][0101]
其中，i＝5、6、
…
、m，m为数据点数；n《4，为差分阶次；γ为粗大值因子，随跃变点的幅值而变化，一般为5～10的常数。
[0102]
在使用公式(4)时，如果第i点的某一点已经是粗大值，那就用比它更前的一点代
替，直至找到4个正常数据点。
[0103]
通过观察剔除粗大值以后的数据曲线，很容易看出是否把所有的粗大值都已剔除。如果还残留粗大值，减小γ的值，再做进一步的剔除。
[0104]
如果第i点被剔除，则该点可用其前后正常的两点插值粗略代替，优选地，按公式(5)计算插值的数值：
[0105][0106]
其中，y
i-f
为第i点前面离其最近的某一正常点；y
i+p
为第i点后面离其最近的某一正常点；
[0107]
为第i点被替代后的值；
[0108]
如果是对数据进行实时处理，当发现第i点是粗大值后，可用第i点前面离其最近的两个正常点的外推公式(6)来代替，即
[0109][0110]
其中，为第i点被替代后的值；y
i-1
、y
i-2
为第i点前面离其最近的两个正常点；
[0111]
在处理数据中，连续跃变点很少有超过4点的，因此在剔除粗大值时，当有4个以上的点为粗大值时，认为这个粗大值时阶跃信号，不做剔除处理，当成正常值。
[0112]
本发明实施例具有如下技术效果：发明人基于对原始数据的分析思考确定了综合使用低通滤波、零初始值处理以及粗大值处理的构成整体的数据预处理方案，并且给出了每种处理的具体的处理方法，并且经过对整体方案的验证，确定了该技术方案的有效性。通过对原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次相结合的高效处理方法，避免了坏点或者无效点的使用，减少了对后续步骤中的训练辨识精度的影响。达到与后续步骤紧密配合使整体方案对飞灰含碳量的预测更准确的效果。
[0113]
进一步地，所述对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列，包括：
[0114]
将指定的历史时间范围划分为指定数量的子时间区间；
[0115]
分别针对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据按各子时间区间划分为所述指定数量的分组；
[0116]
针对每个影响因素和所述飞灰含碳量的各分组，分别进行模糊c聚类分析，得到各分组的聚类中心值；
[0117]
将每个影响因素和所述飞灰含碳量的各分组的聚类中心值按对应的子时间区间的顺序构成该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列。
[0118]
在一些实施例中，针对指定的历史时间范围内获得的影响因素的时序数据和飞灰含碳量的时序数据的数量通常比较大，而且存在一些数值相近的近似数据，大量的近似数据对于后续的模型训练辨识准确的模型参数的正面作用小，但却会导致模型训练的效率显著降低，同时近似数据还可能降低训练得到的模型参数的准确性，所以有必要降低用于后续模型训练的训练集数据进行精简处理；
[0119]
指定的历史时间范围内获得的影响因素的时序数据和飞灰含碳量的时序数据是与时间相关的序列数据，通过将指定的历史时间范围划分为多个子时间区间，子时间区间
可以是连续的或离散的，可根据得到的各时序数据的具体情况具体决定。优选地，相邻子时间区间相互连续。各影响因素的时序数据和飞灰含碳量的时序数据都沿相同的子时间区间划分，针对各影响因素的时序数据和飞灰含碳量的时序数据的各子时间区间内的数值分别进行聚类，各影响因素的时序数据和飞灰含碳量的时序数据各自的每个子时间区间都会得到一个聚类后的值，从而使得到的影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列中的每个值仍然是按时间顺序一一对应的。例如影响因素a、影响因素b、飞灰含碳量的时序数据各自共有10000点个数据，假设数据采样间隔是相同的，可以直接按固定点数划定子时间区间，例如以5个点作为一个子时间区间，影响因素a、影响因素b、飞灰含碳量的时序数据可以分别得到2000个子时间区间，经过对每个子时间区间进行聚类，会得到影响因素a的2000个点的聚类中心值序列、影响因素b的2000个点的聚类中心值序列和飞灰含碳量的2000个点的聚类中心值序列。从时序上看，三个聚类中心值序列上的同一序号的点对应着同一时间。具体的聚类方法有很多种，优选地，使用模糊c均值聚类算法。下面对模糊c均值聚类算法进行介绍：
[0120]
模糊聚类算法是一种基于函数最优方法的聚类算法，使用微积分计算技术求最优代价函数，在基于概率算法的聚类方法中将使用概率密度函数，为此要假定合适的模型，模糊聚类算法的向量可以同时属于多个聚类，从而摆脱上述问题。
[0121]
模糊的c均值聚类算法：一种模糊聚类算法，是k均值聚类算法的推广形式，隶属度取值为[0，1]区间内的任何一个数，提出的基本根据是“类内加权误差平方和最小化”准则。
[0122]
给定数据集x＝{x1，x2，
…
，xn}，k为类别数目，mj(j＝1,2,
…
，k)为每个聚类的中心，spi(i＝1,2,
…
，k)是每个聚类区中所搜寻到的最优位置。μj(xi)是第i个样本对应第j类的隶属度函数，则基于隶属度函数的聚类目标函数可以写为：
[0123][0124]
这里b指加权指数，控制模式在模糊类间的分享程度。一般情况下，b取2。
[0125]
令jf对mj和μj(xi)的偏导为0，求得公式(7)极小值的必要条件。
[0126][0127][0128]
采用迭代的方法求解公式(8)和公式(9)，直到满足收敛条件，得到最优解。
[0129]
综上，模糊c聚类算法步骤为：
[0130]
第一步：用值在0,1之间的随机数初始化隶属矩阵μ，使其满足
[0131]
第二步：计算聚类中心；
[0132]
第三步：计算目标函数，如果小于某个确定的阀值，算法停止。
[0133]
第四步：重新计算隶属度函数，返回第二步，直到目标函数满足要求。
[0134]
本发明实施例具有如下技术效果：针对指定的历史时间范围内获得的影响因素的时序数据和飞灰含碳量的时序数据的数量通常比较大，而且存在一些数值相近的近似数
据，大量的近似数据对于后续的模型训练辨识准确的模型参数的正面作用小，但却会导致模型训练的效率显著降低，同时近似数据还可能降低训练得到的模型参数的准确性，所以有必要降低用于后续模型训练的训练集数据进行精简处理，从而达到提高后续步骤中模型训练的效果和训练得到的模型参数的准确性的效果，从而使模型的飞灰含碳量预测值更贴近飞灰含碳量实际值，使本发明技术方案更准确的预测飞灰含碳量从而对相关影响因素的调整具有更大的指导意义。
[0135]
进一步地，所述预先构造的预测模型，包括：各影响因素分别对应的差分方程模型；所述差分方程模型为具有纯迟延的高阶惯性系统对应的差分方程；
[0136]
所述使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数，包括：
[0137]
将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数。
[0138]
在一些实施例中，通过粒子群算法以及训练集数据确定差分方程模型中的参数。各影响因素分别对应有各自的差分方程模型，例如影响因素a对应着差分方程模型a，影响因素b对应着差分方程模型b，其中，差分方程模型a和差分方程模型b可以为同一个差分方程模型也可以是不同的差分方程模型。优选地，使用相同的差分方程模型。需要注意的是，差分方程模型相同，但训练后不同的影响因素的差分方程模型中的模型参数可以是不同的；即影响因素a对应着差分方程模型a，其训练得到的模型参数为a1，a1中可以包括一个或多个参数，有具体的差分方程模型a决定；影响因素b对应着差分方程模型b，其训练得到的模型参数为b1，b1中可以包括一个或多个参数，由具体的差分方程模型b决定；a1和b1可能相同，也可能不同，由各自的差分方程模型和具体的训练数据决定。
[0139]
将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数，各聚类中心值序列具有相同数量的数据点数，数据点数的数量决定了粒子群算法迭代的次数，粒子群算法将各影响因素的聚类中心值序列的每个时序点对应的数值带入各自的差分方程模型中，分别得到与各影响因素对应的预测飞灰含碳量分量，将各预测飞灰含碳量分量累加得到预测飞灰含碳量总量，将得到的预测飞灰含碳量总量与飞灰含碳量的聚类中心值序列上的同一个时序点对应的飞灰含碳量比较，通过迭代对各差分方程模型中的待定模型参数进行计算，使这个比较的差值不断收敛并小于指定的数值，达到由各差分方程模型构成的整体模型的收敛，最终确定各差分方程模型中各自的模型参数。
[0140]
下面以一个具体的实施例来说明：
[0141]
为了能够更好的指导运行人员操作，降低锅炉飞灰含碳量，提高锅炉效率，需要对影响锅炉飞灰含碳量的相关影响因素进行分析，找出其中可调整的控制参数，根据数据分析的结果，在可调整的控制参数找出对锅炉飞灰含碳量影响较大的几个影响因素，进而建立起相关的控制模型。虽然能够分析出几个重要的影响因素对锅炉飞灰含碳量的影响，但并不能准确把握住每个参数的变化对输出结果的影响占比有多大，在实际控制中就很难去
进行调整，往往凭经验去控制以保证参数不超标。高阶模型和低阶模型在某种程度上相通的，可以通过某种方法将高阶降为低阶，问题的关键在于模型结构的确认。为了得到相对精确的数学模型，对数据的处理是比较严格的。尽量选择比较简单通用的模型结构，通过对数据的严格处理，在辨识的过程中相对容易得到一个可用的模型。模型的阶次选择也是一个艰难的过程，在工程中选择比较实用的方法，先简单的假定模型的阶次，然后在比较不同阶次下，系统模型与实际数据拟合得好坏，拟合好坏的定量指标可以采用相对作用强度来描述。得到精准的数学模型，可以用来指导运行人员的操作，而燃烧工况的改变又会引起模型的改变，因此也需要对模型进行实时的相对作用强度计算，保证模型的准确性和适用性。
[0142]
系统辨识的过程实质上就是函数拟合的过程，这里包括函数的结构和参数。如果对系统有较为深入的了解，那么可以选给出系统模型描述函数的结构，然后调试出函数中的参数即可。
[0143]
确定模型的结构需要有被辨识系统的先验知识，以使所获模型能以最高精度满足要求。模型结构的选择是建模工作中最重要的阶段，它是决定模型质量关键性的一步。模型的结构选定以后，尽管还可以采用不同的估计模型参数的方法，但是最终的模型质量就已经基本确定。
[0144]
选择具有纯迟延的高阶惯性系统，即公式(10)：
[0145][0146]
其对应的差分方程为公式(11)-(13)：
[0147]
x1(k+1)＝e-dt/t
x1(k)+k(1-e-dt/t
)u(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0148]
x
2～n
(k+1)＝e-dt/t
x
2～n
(k)+(1-e-dt/t
)x
1～n-1
(k+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0149]
y(k+1)＝xn(k+1-τ/dt)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0150]
其中：dt为计算步距；t为惯性时间；u为系统输入；y为系统输出。
[0151]
根据控制变量和被控变量确定相关约束条件，建立目标函数。根据经验确定模型的结构，然后粒子群中的粒子根据个体极值以及种群的最优位置来更新自己的速度和位置，从而辨识出模型的参数，辨识的模型在算法中采用差分方程的形式。
[0152]
下面对粒子群算法进行介绍：
[0153]
粒子群算法(pso)作为一种通过对自然界中生物捕食现象的模拟而提出的群体智能算法，采用了基于种群的全局搜索策略和简单的速度-位移模式，相对于遗传算法，避免了复杂的遗传操作，使其便于实现，计算速度快。
[0154]
基本粒子群算法的实现方法如下：
[0155]
假设在一个n维的搜索空间中，[n维相当于q(x)中未知因子个数，也就是优化参数个数]，其中，q(x)表示需要辨识的参数有m个粒子组成的一个群体即(即m组可能解)，其中第i个粒子的位置表示为向量xi＝(x
i1
，x
i2
，
…
，x
in
)，i＝1,2,
…
,m；其速度也是一个n维的向量，记为vi＝(v
i1
，v
i2
，
…
，v
in
)。随机产生一组xi，作为初始种群，将xi带入目标函数q(xi)就可以计算出其适应值，根据适应值的大小衡量xi的优劣。对于最小化问题，目标函数值越小，对应的适应值就越好。设粒子i走过若干步以后，迄今为止经历的最优位置记为相应的适应值记为则粒子前进一步后的最好位置由公式(14)确定。
[0156][0157]
其中：t为当前位置时刻；t+δt为粒子前进一步后的时刻；
[0158]
在寻优过程中，粒子群前进了若干步后，所经历的最优位置记为其对应的适应值即全局最优解记为则每个粒子根据公式(15)来更新自己的速度，即：
[0159][0160]
其中，i为1,2，
…
，m；j为1,2，
…
，n；t为当前位置时刻；t+δt为粒子前进一步后的时刻；c1为认知因子；c2为社会因子；r1,r2为0～1之间的随机数；c1，c2为分别代表了向自身极值和全局极值推进的加速权值；
[0161]
根据爬山法的原理，有了飞行速度(前进步长)，就可以根据公式(16)来更新自己的位置(前进一步)，即
[0162]
x
ij
(t+δt)＝x
ij
(t)+v
ij
(t+δt)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0163]
根据式(15)和式(16)，一步一步走下去，直到达到要求，取得极值。
[0164]
基本粒子群算法(pso)算法流程如下：
[0165]
第一步：初始化，包括定义初始种群(速度-位移模型以及种群大小等)，进化代数，还有一些修正改进算法中可能用到的常量；
[0166]
第二步：评价种群，计算初始种群各个粒子的适应度；
[0167]
第三步：求出当前的和
[0168]
第四步：进行速度和位置的更新；
[0169]
第五步：评价种群，计算新种群中粒子适应度；
[0170]
第六步：比较和若优越则替换；
[0171]
第七步：判断算法结束条件(包括精度要求和前进步数要求)。满足要求则跳出循环，不满足则跳第四步继续执行。
[0172]
标准的粒子群算法是指带关系权重的粒子群算法(pso)，它是对基本粒子群算法最早的一种改进。标准粒子群算法pso主要是在速度公式(15)中引入了惯性权重ω，即公式(17)：
[0173][0174]
惯性权重ω使为了平衡全局搜索和局部搜索而引入的，惯性权重代表了原来速度在下一步中所占比例，ω较大时，前一速度的影响较大，全局搜索能力比较强；ω较小时，前一速度的影响较小，局部搜索能力比较强。合适的ω值在搜索速度和搜索精度方面起着协调作用。因此，一般采用惯性权重递减策略，即在算法的初期取较大的惯性权值ω以对整个问题空间进行有效的搜索，算法进行后期惯性权值ω较小以有利于算法的收敛。惯性权重递减公式(18)为：
[0175]
[0176]
其中，ω
max
和ω
min
——分别为ω的最大、最小值，ω的取值范围通常在0.8～1.2之间；
[0177]
t
max
和t——分别是最大的前进步数和当前已走过的步数。
[0178]
本发明实施例具有如下技术效果：模型辨识采用了粒子群算法，可以避免了其它辨识算法因信号激励不充分而无法有效辨识的影响。
[0179]
进一步地，所述方法，还包括：
[0180]
收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量总量的时序数据；
[0181]
根据指定评估时间范围内的实际飞灰含碳量的时序数据计算实际飞灰含碳量的作用强度；
[0182]
根据指定评估时间范围内的预测飞灰含碳量总量的时序数据计算预测飞灰含碳量总量的作用强度；
[0183]
根据实际飞灰含碳量的作用强度和预测飞灰含碳量总量的作用强度计算预测飞灰含碳量总量相对于实际飞灰含碳量的相对作用强度；
[0184]
根据所述相对作用强度评估使用所述模型参数的预测模型的效果；
[0185]
根据评估得到的效果对预测模型进行改进。
[0186]
在一些实施例中，为了达到更好的控制效果，可以采用相对作用强度来定量分析系统的仿真精度。把系统在过渡过程时间段(即指定评估时间范围内)内，系统输出曲线下的绝对面积称为这个系统的作用强度。即系统输出的作用强度公式(19)为
[0187][0188]
其中，p为观测模型下的作用强度；ts为考虑的时间段；y为系统输出曲线。
[0189]
系统的相对作用强度公式(20)为：
[0190][0191]
其中，ep——相对作用强度；p0——系统观测数据下的作用强度；p——观测模型下的作用强度；
[0192]
通过跟踪一段时间(即过渡过程时间段即指定评估时间范围内)的运行情况，根据收集到的预测飞灰含碳量总量和实际飞灰含碳量的时序数据，可以根据公式(19)和(20)计算得到相对作用强度。当得到的相对作用强度越小，说明系统越准确。可以指定一个相对作用强度阈值，当得到的相对作用强度小于该相对作用强度阈值阈值时，认为系统比较准确，不需要重新校准模型参数，反之，则可以重新执行前述的步骤100到步骤103重新训练辨识模型参数，并且针对使用新的模型参数的预测模型重新通过相对作用强度方法评估模型的效果。即采用相对作用强度来实时评价模型好坏，评价一段时间内模型的有效性，当辨识出的模型的相对作用强度超出之前模型的相对作用强度，返回步骤100重新对模型进行辨识。优选地，可以更改预测模型中各差分方程模型的阶次，并且利用其它时间段的数据对预测模型的结构及参数进行验证，比较不同阶次下预测飞灰含碳量总量与实际飞灰含碳量的拟合程度确定最佳的模型参数。
[0193]
本发明实施例具有如下技术效果：本发明实施例解决了现有的技术仍然侧重于仿真，很难应用于现场实际运行环境，缺乏模型输出和实际运行输出效果评估，没有对模型进
行实时仿真精度效果评估；由于电厂现场工况比较复杂，且各个电厂的燃烧情况不一样，没有针对性的进行分析比较的问题。本发明实施例根据辨识模型来分析每个调整变量对输出的影响权重，同时指导运行人员进行控制参数的调整，调整之后再次根据输入输出数据定量分析模型的好坏，循环往复进行，以达到降低锅炉飞灰含碳量的目的，同时也可以对模型的仿真精度进行实时定量分析。
[0194]
另一方面，如图2所示，本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的系统，包括：
[0195]
历史数据获取单元200，用于获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；
[0196]
滤波单元201，用于对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；
[0197]
聚类单元202，用于对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；
[0198]
模型参数确定单元203，用于使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数；
[0199]
预测单元204，用于将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；
[0200]
影响因素确定单元205，用于根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；
[0201]
控制单元206，用于通过调整所述需要调整的影响因素降低锅炉飞灰含碳量。
[0202]
进一步地，所述滤波单元201，包括：
[0203]
预处理模块，用于针对每个影响因素的时序数据和所述飞灰含碳量的时序数据设定零初始值和剔除低频成分处理；
[0204]
低通滤波模块，用于对设定零初始值和剔除低频成分处理后的每个影响因素的时序数据和所述飞灰含碳量的时序数据通过低通滤波器进行数据滤波得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据。
[0205]
进一步地，所述聚类单元202，包括：
[0206]
子区间划分模块，用于将指定的历史时间范围划分为指定数量的子时间区间；
[0207]
分组划分模块，用于分别针对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据按各子时间区间划分为所述指定数量的分组；
[0208]
聚类模块，用于针对每个影响因素和所述飞灰含碳量的各分组，分别进行模糊c聚类分析，得到各分组的聚类中心值；
[0209]
聚类中心序列模块，用于将每个影响因素和所述飞灰含碳量的各分组的聚类中心值按对应的子时间区间的顺序构成该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列。
[0210]
进一步地，所述预先构造的预测模型，包括：各影响因素分别对应的差分方程模
型；所述差分方程模型为具有纯迟延的高阶惯性系统对应的差分方程；
[0211]
所述模型参数确定单元203，具体配置为：
[0212]
将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数。
[0213]
进一步地，所述系统，还包括：效果评价单元，具体配置为：
[0214]
收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量总量的时序数据；根据指定评估时间范围内的实际飞灰含碳量的时序数据计算实际飞灰含碳量的作用强度；根据指定评估时间范围内的预测飞灰含碳量总量的时序数据计算预测飞灰含碳量总量的作用强度；根据实际飞灰含碳量的作用强度和预测飞灰含碳量总量的作用强度计算预测飞灰含碳量总量相对于实际飞灰含碳量的相对作用强度；根据所述相对作用强度评估使用所述模型参数的预测模型的效果；根据评估得到的效果对预测模型进行改进。
[0215]
本发明实施例提供的一种基于模型辨识降低锅炉飞灰含碳量的系统是与前述实施例提供的一种基于模型辨识降低锅炉飞灰含碳量的方法一一对应的系统类实施例，可根据前述的一种基于模型辨识降低锅炉飞灰含碳量的方法的实施例理解系统类实施例，在此不再赘述。
[0216]
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明，实施过程中没有介绍到的技术细节，可以参考前文的相关描述。
[0217]
本发明实施例实现了多变量模型辨识，可以获得多个输入之间与输出之间的关系，从而建立起输入与输出之间的规律性关系，为实际运行提供操作依据。同时，通过dcs运行数据，对预测模型的输出结果即预测飞灰含碳量总量和机组实际运行数据即实际飞灰含碳量进行误差计算，通过相对作用强度指标来定量分析模型的好坏，以便于更好的利用模型的输出来为运行人员提供更精准的操作。
[0218]
为达上述目的，本发明实施例提供一种基于模型辨识降低飞灰含碳量的方法，包括：
[0219]
根据机组的运行情况，确定影响飞灰含碳量的相关影响因素，包括：氧量、煤粉细度、负荷、煤质(灰分)、低位发热量、挥发分、送风量、总煤量、磨组合方式、燃尽风开度、热风温度、一次风压、二次风门开度、氧量、空预器出口二次风温、磨煤机出口温度等等。由于运行条件的限制，许多因素都无法随意调节，如锅炉的负荷、磨煤机投运层数、煤粉细度和燃烧器摆角等。从中选出可以调整的变量，包括：送风量、一次风压、二次风门开度、煤粉细度。根据dcs输出历史数据，首先对数据进行零初始值和剔除低频成分等预处理，采用低通滤波器进行数据滤波，剔除数据中的直流或低频成分。其次为了去除因传感器和数据采集装置的暂时失灵造成的数据失真，对滤波后的数据进行粗大值处理。然后，给出预测模型的结构类型，采用粒子群算法进行预测模型的参数辨识。辨识出模型参数的预测模型后再根据采集的数据进行预测模型的验证，同时对预测模型采用相对作用强度来定量分析预测模型的好坏。最后根据辨识出模型参数的预测模型来分析每个调整变量(可调整影响因素)对输出(飞灰含碳量)的影响权重，同时指导运行人员进行控制参数(可调整影响因素)的调整。调整之后同时再次根据输入输出数据定量分析预测模型的好坏，循环往复进行，以达到降低
锅炉飞灰含碳量的目的，同时也可以对模型的仿真精度进行实时定量分析。
[0220]
现场采集的数据通常都含有高频干扰噪声，虽然很多辨识算法都能很好的抑制这些干扰噪声，需要进行数据的处理，否则对辨识的结果会产生严重的影响。数据滤波采用低通滤波、零初始值处理以及粗大值处理，充分考虑了现场环境、传感器以及采集装置的影响，避免了单一算法滤波对辨识(即训练预测模型获得模型参数)的潜在影响。模型辨识(即训练预测模型获得模型参数)采用了粒子群算法，可以避免了其它辨识算法因信号激励不充分而无法有效辨识的影响。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。
[0221]
如图3所示，作为有一个实施例，本发明实施例具有如下步骤：
[0222]
s301：根据各个现场的实际运行情况，分析影响锅炉飞灰含碳量的相关影响因素，从中选择出可调整的变量。对可调整的变量进行数据分析，找出对锅炉飞灰含碳量影响最大的几个相关因素，对于一些影响较小的可调整变量可忽略。
[0223]
s302：从dcs中导出相关影响因素的数据，要求选择的数据在一定时间内变化趋势较大。现场采集的数据通常含有直流或低频成分，在进行辨识前需要进行零初始值和剔除低频成分等预处理，采用低通滤波器进行数据滤波。但是在工业生产环境中，传感器和数据采集装置的暂时失灵会导致采集到的数据幅值远超过实际信号的范围，产生粗大值。粗大值对辨识结果可能会造成相当大的潜在影响，采用低阶差分法进行粗大值的处理。
[0224]
s303：根据控制变量和被控变量确定相关约束条件，建立目标函数。根据经验确定模型的结构，然后粒子群中的粒子根据个体极值以及种群的最优位置来更新自己的速度和位置，从而辨识出模型的参数，辨识的模型在算法中采用差分方程的形式。
[0225]
s304：更改模型的阶次，利用其它时间段的数据对模型的结构及参数进行验证，比较不同阶次下系统模型(即预测飞灰含碳量总量)与实际数据(即实际飞灰含碳量)拟合得好坏。为了评价拟合的好坏，采用相对作用强度指标来定量分析。
[0226]
s305：辨识出的模型可以用来分析输入参数对输出的影响结果，还可以分析出不同输入对输出影响的惯性权重大小，最终用来指导运行人员的操作调整。在实际运行过程中，输入参数的调整必然对输出产生影响，采用相对作用强度来实时评价模型好坏，评价一段时间内模型的有效性，当辨识出的模型的相对作用强度超出之前模型的相对作用强度，返回第一步(即s301)重新对模型进行辨识。
[0227]
本发明实施例所取得的有益效果如下：
[0228]
(1)本发明提出了对原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次高效处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响。
[0229]
(2)设定了模型的结构类型，采用工程中比较实用的方法，循环比较不同阶次下系统模型和实际数据拟合的好坏。
[0230]
(4)提出了递推辨识算法，在每次递推上采用多次迭代算法，给出也具体的迭代递推公式，能够提高参数估计精度(辨识)并且加快收敛速度。
[0231]
(5)对辨识出的模型参数进行实际数据对比，采用相对作用强度指标来定量分析模型的仿真精度。
[0232]
(6)根据辨识的模型，深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整。
[0233]
(7)对模型的仿真精度实时进行相对作用强度计算，保证模型的准确性和适用性。
[0234]
以下以又一实施例继续对本发明技术方案进行说明：
[0235]
为了能够更好的指导运行人员操作，降低锅炉飞灰含碳量，提高锅炉效率，需要对影响锅炉飞灰含碳量的相关影响因素进行分析，找出其中可调整的控制参数，根据数据分析的结果，在可调整的控制参数找出对锅炉飞灰含碳量影响较大的几个影响因素，进而建立起相关的控制模型。虽然能够分析出几个重要的影响因素对锅炉飞灰含碳量的影响，但并不能准备确把握住每个参数的变化对输出结果的影响占比有多大，在实际控制中就很难去进行调整，往往凭经验去控制以保证参数不超标。高阶模型和低阶模型在某种程度上相通的，可以通过某种方法将高阶降为低阶，问题的关键在于模型结构的确认。为了得到相对精确的数学模型，对数据的处理是比较严格的。尽量选择比较简单通用的模型结构，通过对数据的严格处理，在辨识的过程中相对容易得到一个可用的模型。模型的阶次选择也是一个艰难的过程，在工程中选择比较实用的方法，先简单的假定模型的阶次，然后在比较不同阶次下，系统模型与实际数据拟合得好坏，拟合好坏的定量指标可以采用相对作用强度来描述。得到精准的数学模型，可以用来指导运行人员的操作，而燃烧工况的改变又会引起模型的改变，因此也需要对模型进行实时的相对作用强度计算，保证模型的准确性和适用性。
[0236]
本发明的技术方案如下：
[0237]
根据实际运行情况，影响锅炉飞灰含碳量的主要因素有：氧量、煤粉细度、负荷、煤质(灰分)、低位发热量、挥发分、总煤量、磨组合方式、燃尽风开度、热风温度、一次风压、二次风门开度、氧量、空预器出口二次风温、磨煤机出口温度等等，那么从中可调整的变量因素为：：送风量、一次风压、二次风门开度、煤粉细度。从dcs中选择出趋势变化比较大的时间段，导出相关数据，时间间隔选择1s。一部分用来辨识模型，另一部分用来验证模型。利用matlab开发环境进行模型参数的辨识及仿真验证，具体步骤如下：
[0238]
一、数据处理
[0239]
从现场采集的数据通常都含有高频干扰噪声，表现为数据曲线上有许多的毛刺，这对辨识是不利的。因此，对采集来的数据一般都要进行零初始值和剔除低频成分等预处理。
[0240]
(1)数据滤波
[0241]
低通滤波器的传递函数为公式(1)；
[0242]
公式(1)对应的零阶保持器下的差分方程为公式(2)；
[0243]
(2)零初始值处理
[0244]
从现场采集来的数据是在系统稳定(平衡点)的情况下，加入激励信号后得到的系统的输入和输出数据。如果不对数据进行零初始值处理，就等于假设平衡点在系统实际的零值点。而实际采集的未经处理的输入输出数据的零点可能完全是任意的。
[0245]
当系统数据采集起始于系统运动的某个平衡态，这个平衡态就能当作已知的平衡态，即系统输入输出的零点。此时，零初始值后的数据由公式(3)确定；
[0246]
(3)粗大值处理
[0247]
在工业生产环境中，传感器和数据采集装置的暂时失灵会导致采集到的数据幅值远超过实际信号的范围，把此时的数据称为粗大值。粗大值对辨识结果可能会造成相当大的潜在影响，必须加以剔除。采用一种低阶差分法对数据进行粗大值处理。
[0248]
假设原始数据u(i)的前四点是正常数据，那么从第5点开始，满足公式(4)的点则可视为粗大值；
[0249]
在使用公式(4)时，如果第i点的某一点已经是粗大值，那就用比它更前的一点代替，直至找到4个正常数据点。
[0250]
通过观察剔除粗大值以后的数据曲线，很容易看出是否把所有的粗大值都已剔除。如果还残留粗大值，减小γ的值，再做进一步的剔除。
[0251]
如果第i点被剔除，则该点可用其前后正常的两点插值粗略代替，即插值的值由公式(5)确定；
[0252]
如果是对数据进行实时处理，当发现第i点是粗大值后，可用第i点前面离其最近的两个正常点的外推公式(6)来代替，
[0253]
在处理数据中，连续跃变点很少有超过4点的，因此在剔除粗大值时，当有4个以上的点为粗大值时，认为这个粗大值时阶跃信号，不做剔除处理，当成正常值。
[0254]
二、模型估计
[0255]
系统辨识的过程实质上就是函数拟合的过程，这里包括函数的结构和参数。如果对系统有较为深入的了解，那么可以选给出系统模型描述函数的结构，然后调试出函数中的参数即可。
[0256]
确定模型(即预测模型)的结构需要有被辨识系统的先验知识，以使所获模型能以最高精度满足要求。模型结构的选择是建模工作中最重要的阶段，它是决定模型质量关键性的一步。模型的结构选定以后，尽管还可以采用不同的估计模型参数的方法，但是最终的模型质量就已经基本确定。
[0257]
选择具有纯迟延的高阶惯性系统，即公式(10)；
[0258]
其对应的差分方程为公式(11)-(13)；
[0259]
根据控制变量和被控变量确定相关约束条件，建立目标函数。根据经验确定模型的结构，然后粒子群中的粒子根据个体极值以及种群的最优位置来更新自己的速度和位置，从而辨识出模型的参数，辨识的模型在算法中采用差分方程的形式
[0260]
三、标准粒子群算法
[0261]
粒子群算法(pso)作为一种通过对自然界中生物捕食现象的模拟而提出的群体智能算法，采用了基于种群的全局搜索策略和简单的速度-位移模式，相对于遗传算法，避免了复杂的遗传操作，使其便于实现，计算速度快。
[0262]
基本粒子群算法的实现方法如下：
[0263]
假设在一个n维的搜索空间中，[n维相当于q(x)中未知因子个数，也就是优化参数个数]，有m个粒子组成的一个群体即(即m组可能解)，其中第i个粒子的位置表示为向量xi＝(x
i1
，x
i2
，
…
，x
in
)，i＝1,2,
…
,m；其速度也是一个n维的向量，记为vi＝(v
i1
，v
i2
，
…
，v
in
)。随机产生一组xi，作为初始种群，将xi带入目标函数q(xi)就可以计算出其适应值，根据适应值的大小衡量xi的优劣。对于最小化问题，目标函数值越小，对应的适应值就越好。设粒子i走过若干步以后，迄今为止经历的最优位置记为相应的适应值记为则粒子前进一步后的最好位置由公式(14)确定。
[0264]
在寻优过程中，粒子群前进了若干步后，所经历的最优位置记为
其对应的适应值即全局最优解记为则每个粒子根据式(15)来更新自己的速度；
[0265]
根据爬山法的原理，有了飞行速度(前进步长)，就可以根据式(16)来更新自己的位置(前进一步)；
[0266]
根据式(15)和式(16)，一步一步走下去，直到达到要求，取得极值。
[0267]
基本pso算法流程如下：
[0268]
第一步：初始化，包括定义初始种群(速度-位移模型以及种群大小等)，进化代数，还有一些修正改进算法中可能用到的常量；
[0269]
第二步：评价种群，计算初始种群各个粒子的适应度；
[0270]
第三步：求出当前的和
[0271]
第四步：进行速度和位置的更新；
[0272]
第五步：评价种群，计算新种群中粒子适应度；
[0273]
第六步：比较和若优越则替换；
[0274]
第七步：判断算法结束条件(包括精度要求和前进步数要求)。满足要求则跳出循环，不满足则跳第四步继续执行。
[0275]
标准的粒子群算法是指带关系权重的pso，它是对基本粒子群算法最早的一种改进。标准pso主要是在速度公式(15)中引入了惯性权重ω，即得到公式(17)：
[0276]
惯性权重ω使为了平衡全局搜索和局部搜索而引入的，惯性权重代表了原来速度在下一步中所占比例，ω较大时，前一速度的影响较大，全局搜索能力比较强；ω较小时，前一速度的影响较小，局部搜索能力比较强。合适的ω值在搜索速度和搜索精度方面起着协调作用。因此，一般采用惯性权重递减策略，即在算法的初期取较大的惯性权值ω以对整个问题空间进行有效的搜索，算法进行后期惯性权值ω较小以有利于算法的收敛。惯性权重递减公式(18)
[0277]
四、模糊c均值聚类算法
[0278]
模糊聚类算法是一种基于函数最优方法的聚类算法，使用微积分计算技术求最优代价函数，在基于概率算法的聚类方法中将使用概率密度函数，为此要假定合适的模型，模糊聚类算法的向量可以同时属于多个聚类，从而摆脱上述问题。
[0279]
模糊的c均值聚类算法：一种模糊聚类算法，是k均值聚类算法的推广形式，隶属度取值为[0，1]区间内的任何一个数，提出的基本根据是“类内加权误差平方和最小化”准则。
[0280]
给定数据集x＝{x1，x2，
…
，xn}，k为类别数目，mj(j＝1,2,
…
，k)为每个聚类的中心，spi(i＝1,2,
…
，k)是每个聚类区中所搜寻到的最优位置。μj(xi)是第i个样本对应第j类的隶属度函数，则基于隶属度函数的聚类目标函数可以写为公式(7)；
[0281]
令jf对mj和μj(xi)的偏导为0，求得公式(7)极小值的必要条件。
[0282]
采用迭代的方法求解公式(8)和公式(9)，直到满足收敛条件，得到最优解。
[0283]
模糊c聚类算法步骤：
[0284]
第一步：用值在0,1之间的随机数初始化隶属矩阵μ，使其满足
[0285]
第二步：计算聚类中心；
[0286]
第三步：计算目标函数，如果小于某个确定的阀值，算法停止。
[0287]
第四步：重新计算隶属度函数，返回第二步，直到目标函数满足要求。
[0288]
五、仿真评估
[0289]
为了达到更好的控制效果，可以采用相对作用强度概念来定量分析系统的仿真精度。
[0290]
把系统在过渡过程时间段内，系统输出曲线下的绝对面积称为这个系统的作用强度。即系统输出的作用强度为公式(19)；系统的相对作用强度为公式(20)；
[0291]
六、辨识步骤
[0292]
第一步：选择数据，时间间隔1s；
[0293]
第二步：利用matlab开发环境，读取现场数据，并显示原始数据曲线；
[0294]
第三步：数据滤波、零初始值及粗大值处理；
[0295]
第四步：截取辨识用的数据；
[0296]
第五步：模型结构的选择及目标函数的计算，初始化相关参数；
[0297]
第六步：随机产生m个粒子及其初始化位置，确定相关常量；
[0298]
第九步：计算每个粒子的个体最优以及每个种群的最优位置spi；
[0299]
第十步：用spi代替采用式(13)、式(14)对粒子群中的粒子进行操作。
[0300]
第十一步：若当前粒子不满足收敛条件，返回第七步；否则迭代过程结束。
[0301]
第十二步：辨识结果分析，定量分析仿真精度。
[0302]
本发明实施例具有如下技术效果：
[0303]
(1)提出了对原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次高效处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响。
[0304]
(2)设定了模型的结构类型，采用工程中比较实用的方法，循环比较不同阶次下系统模型(即预测模型)和实际数据拟合的好坏。
[0305]
(4)提出了递推辨识算法，在每次递推上采用多次迭代算法，给出也具体的迭代递推公式，能够提高参数估计精度(辨识)并且加快收敛速度。
[0306]
(5)对辨识出的模型参数进行实际数据对比，采用相对作用强度指标来定量分析模型的仿真精度。
[0307]
(6)根据辨识的模型，深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整。
[0308]
(7)对模型的仿真精度实时进行相对作用强度计算，保证模型的准确性和适用性。
[0309]
以下为又一实施例的方法步骤说明：
[0310]
第一步：选择数据，时间间隔1s；
[0311]
第二步：利用matlab开发环境，读取现场数据，并显示原始数据曲线；
[0312]
第一步和第二步相当于：获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；
[0313]
第三步：数据滤波、零初始值及粗大值处理；相当于，对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；
[0314]
第四步：截取辨识用的数据；相当于，对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；
[0315]
第五步：模型结构的选择及目标函数的计算，初始化相关参数；
[0316]
第六步：随机产生m个粒子及其初始化位置，确定相关常量；
[0317]
第九步：计算每个粒子的个体最优以及每个种群的最优位置spi；
[0318]
第十步：用spi代替采用式(16)、式(17)对粒子群中的粒子进行操作。
[0319]
第十一步：若当前粒子不满足收敛条件，返回第七步；否则迭代过程结束。
[0320]
第五步到第十一步，相当于，使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数。
[0321]
第十二步：辨识结果分析，定量分析仿真精度，相当于，将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；通过调整所述需要调整的影响因素降低锅炉飞灰含碳量；收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量的时序数据；根据指定评估时间范围内的实际飞灰含碳量的时序数据计算实际飞灰含碳量的作用强度；根据指定评估时间范围内的预测飞灰含碳量的时序数据计算预测飞灰含碳量的作用强度；根据实际飞灰含碳量的作用强度和预测飞灰含碳量的作用强度计算预测飞灰含碳量相对于实际飞灰含碳量的相对作用强度；根据所述相对作用强度评估使用所述模型参数的预测模型的效果；根据评估得到的效果对预测模型进行改进。
[0322]
本发明实施例具有如下技术效果：对原始数据采用低通滤波、零初始值处理以及粗大值处理的多层次高效处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响。设定了模型的结构类型，采用工程中比较实用的方法，循环比较不同阶次下系统模型和实际数据拟合的好坏。提出了递推辨识算法，在每次递推上采用多次迭代算法，给出也具体的迭代递推公式，能够提高参数估计精度(辨识)并且加快收敛速度。对辨识出的模型参数进行实际数据对比，采用相对作用强度指标来定量分析模型的仿真精度。根据辨识的模型，深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整。对模型的仿真精度实时进行相对作用强度计算，保证模型的准确性和适用性。
[0323]
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0324]
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书
特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
[0325]
为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
[0326]
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括：”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
[0327]
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
[0328]
本发明实施例中所描述的各种说明性的逻辑块，或单元都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0329]
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0330]
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但
不限于ram、rom、eeprom、cd-rom或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(dsl)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、dvd、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
[0331]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。