多燃料灰熔融温度的预测方法、模型训练方法及设备与流程

1.本发明涉及燃煤技术领域，尤其涉及一种多燃料灰熔融温度的预测方法、模型训练方法及设备。


背景技术：

2.随着核电、风电、水电、太阳能等新能源发电装机容量的增大，火力发电在电力能源结构中占比逐年下滑，但占比仍然最大。火力发电包括采用燃煤、油、天然气或生物质等燃料进行发电。
3.燃煤发电产生的碳排放量是能源消费中碳排放的主要来源，而生物质被认为是一种碳排放为零的可再生能源，生物质资源丰富，与传统的化石能源相比，生物质含硫量和含氮量低，燃烧后硫氧化物和氮氧化物排放量低，是一种环境友好型燃料。生物质具有水分含量高、发热量低的特点，其直接燃烧存在着设备易结渣等问题，单独燃烧经济性较低。目前燃煤电厂正由燃煤燃烧逐渐向燃煤和生物质掺烧过渡。然而，由于生物质灰中碱性成分含量较高，导致与煤掺混燃烧后的灰熔融温度降低，增大结渣的可能，影响锅炉的安全运行。
4.目前灰熔融温度的获取大多是通过灰熔融特性测定仪进行实验测定，无法满足工况动态调节的需要。也有部分是通过分析灰成分建立经验关联式进行计算，或通过算法建立预测模型进行预测，然而，现有的预测模型对多燃料同时混合的灰熔融温度的预测准确度较低，因此，如何准确地对多燃料掺烧过程中的灰熔融温度进行预测，成为目前亟需解决的问题。


技术实现要素：

5.本发明实施例提供了一种多燃料灰熔融温度的预测方法、模型训练方法及设备，以解决目前无法准确地对多燃料掺烧过程中的灰熔融温度进行预测的问题。
6.第一方面，本发明实施例提供了一种多燃料灰熔融温度的预测方法，包括：
7.获取多燃料掺混样品的预设特征变量组合的数据；
8.将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；
9.其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。
10.在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
11.实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。
12.在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
13.在一种可能的实现方式中，获取多燃料掺混样品的预设特征变量组合的数据之前，还包括：
14.将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样；
15.对多燃料掺混样品的灰样进行灰成分分析，确定多燃料掺混样品的预设特征变量组合的数据。
16.在一种可能的实现方式中，多燃料掺混样品包括原料煤、生物质燃料或可燃固体废弃物燃料中的至少两种燃料。
17.第二方面，本发明实施例提供了一种多燃料灰熔融温度预测模型的训练方法，包括：
18.获取训练样本的预设特征变量组合的数据和软化温度，其中，预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种；
19.以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习，得到灰熔融温度预测模型。
20.在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
21.实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。
22.在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
23.第三方面，本发明实施例提供了一种多燃料灰熔融温度的预测装置，包括：
24.获取数据模块，用于获取多燃料掺混样品的预设特征变量组合的数据；
25.预测温度模块，用于将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；
26.其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。
27.在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
28.实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照
多种不同的混合比例混合而成的多种样品。
29.在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
30.在一种可能的实现方式中，获取数据模块，用于将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样；
31.对多燃料掺混样品的灰样进行灰成分分析，确定多燃料掺混样品的预设特征变量组合的数据。
32.在一种可能的实现方式中，多燃料掺混样品包括原料煤、生物质燃料或可燃固体废弃物燃料中的至少两种燃料。
33.第四方面，本发明实施例提供了一种电子设备，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，所述处理器执行所述计算机程序时实现如上第一、二方面或第一、二方面的任一种可能的实现方式所述方法的步骤。
34.第五方面，本发明实施例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，所述计算机程序被处理器执行时实现如上第一方面和第二发明或第一、二方面和第一、二方面的任一种可能的实现方式所述方法的步骤。
35.本发明实施例提供一种多燃料灰熔融温度的预测方法、模型训练方法及设备，首先，获取多燃料掺混样品的预设特征变量组合的数据。然后，将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度。进而，只需将多燃料掺混样品的预设特征变量组合的数据输入至灰熔融温度预测模型中，即可得到待测掺混样品的软化温度，无需将待测掺混样品制作成灰锥，然后采用灰熔融特性测定仪进行实验测定，不仅提高了预测的时间，减少了实验环节，而且本发明提供的灰熔融温度预测模型还具有较高的准确度，可以准确地对多燃料掺烧过程中的软化温度进行预测。
附图说明
36.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性的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明实施例提供的一种多燃料灰熔融温度预测模型的训练方法的实现流程图；
38.图2是本发明实施例提供的确定预设特征变量组合的数据和软化温度的过程示意图；
39.图3是本发明实施例提供的一种多燃料灰熔融温度的预测方法的实现流程图；
40.图4是本发明实施例提供的一种多燃料灰熔融温度预测模型的训练过程的框图；
41.图5是本发明实施例提供的多燃料灰熔融温度的预测装置的结构示意图；
42.图6是本发明实施例提供的电子设备的示意图。
具体实施方式
43.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。
44.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
45.火力发电包括采用燃煤、油、天然气或生物质等燃料进行发电。在已并网的火电机组中，燃煤机组和燃用生物质机组共占火力发电机组的80％以上，燃煤机组发电量占总发电量的比例虽从77.2％降至60.8％，但比例依旧很高，燃煤发电仍是未来十年最主要的发电形式。而燃煤发电产生的碳排放量是能源消费中的最大碳排放来源。而生物质被认为是一种碳排放为零的可再生能源，且我国生物质资源丰富，但大量生物质资源并未得到有效利用。而燃煤机组耦合生物质焚烧发电技术能充分利用已有烟气净化设备、降低燃烧设备投资，是适用于煤电机组低碳发展现状的优选方案。
46.生物质含有更多的碱金属和碱土金属，灰熔点低，与燃煤掺混燃烧可能会导致受热面结渣，传热恶化，降低锅炉运行安全性。测量灰熔融温度在一定程度上可有效避免结渣问题。对灰熔融温度的研究大多采用灰熔融特性测定仪进行测量，也有通过灰成分等方法来预测。通过实验的方法采用灰熔融特性测定仪对灰熔融温度进行测量，需要将样品研磨、干燥后筛分，通过马弗炉制成灰，将灰制成三角锥后置于灰熔融性测定仪内由室温加热至1500℃，观察在加热过程中灰锥形态的变化，从而得到表征各灰样品熔融性的特征温度。
47.与传统的化石能源相比，生物质含硫量和含氮量低，燃烧后硫氧化物和氮氧化物排放量低，是一种环境友好型燃料。但生物质具有水分含量高、发热量低的特点，其直接燃烧存在着设备易结渣等问题，单独燃烧经济性较低。目前燃煤电厂正由混煤燃烧逐渐向燃煤和生物质掺烧过渡。煤与污泥、中药渣和秸秆等生物质固体废弃物掺混燃烧，可对污泥、中药渣进行减容、减量和无害化处理，降低发电成本和固体废弃物处理成本，降低co2、no、so2等气体排放量。但由于生物质灰中碱性成分含量较高，导致与煤掺混燃烧后的灰熔融温度降低，增大结渣的可能，影响锅炉安全运行。目前的掺烧技术大都是针对混煤掺烧或者单种生物质与煤掺烧，而对于多类生物质同时掺烧技术的研发不足。当多种生物质燃料同时与煤掺烧时，很难通过一般的手段获得燃料的结渣特性。
48.对灰熔融温度的实验测量方法，灰的制备耗时长，灰锥制作繁琐，灰锥易折断，灰熔融特性测定仪加热时间长，而电厂燃用混合燃料的现象越来越多，对所有混合燃料灰熔融温度进行实验测量耗时耗力，且不能满足工况动态调节的需要。
49.目前也有建立了燃料混合物灰熔融温度的经验关联式和预测模型进行预测的方法。基于煤灰成分建立的经验关联式较多是对煤的灰熔融温度进行计算，而生物质与煤的灰的矿物组成有较大差异，且不同生物质种类的灰组分也有明显的差异，燃煤与生物质掺混后各矿物质之间会发生复杂的反应，使得该方法在预测生物质及其与煤的混合物的灰熔融温度时不够精确有效。
50.为了解决现有技术问题，本发明实施例提供了一种多燃料灰熔融温度的预测方法、模型训练方法及设备。
51.在介绍本发明实施例提供的多燃料灰熔融温度的预测方法之前，需要首先介绍灰熔融温度预测模型的训练过程，当灰熔融温度预测模型训练完成后，即可对待测的多燃料掺混样品的软化温度进行预测。
52.参见图1，其示出了本发明实施例提供的多燃料灰熔融温度预测模型的训练方法的实现流程图，详述如下：
53.步骤s110、获取训练样本的预设特征变量组合的数据和软化温度。
54.预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。可以根据使用场景，选取预设特征变量组合中的多种参数进行组合。
55.示例性的，可以将多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数全部作为预设特征变量组合。
56.为了便于预测燃煤与生物质燃料或可燃固体废弃物燃料在多种不同掺混比例下组成的不同混合物的软化温度，因此可选取多种混合物。
57.在一些实施例中，训练样本可以为单一种类的生物质燃料、单一种类的可燃固体废弃物、单一的燃煤，或者为燃煤和生物质燃料按照不同掺混比例组成的混合样品，或者为燃煤和可燃固体废弃物按照不同掺混比例组成的混合样品，或者为燃煤、生物质燃料和可燃固体废弃物按照不同掺混比例组成的混合样品。训练样本可以为上述的一种或多种，训练样本的种类越多，最终得到的模型就可以测试更多的待测样品。
58.示例性的，生物质燃料可以为秸秆、中药渣等燃料，可燃固体废弃物可以为污泥、可燃的一般固体废物，可燃垃圾、下脚料等等。
59.训练样本可以为燃煤、生物质燃料和可燃固体废弃物，及其三种按照多种不同掺混比例组成的混合样品。
60.在此实施例中，得到训练样本后，需要对训练样本进行处理，从而获得训练样本的预设特征变量组合。
61.基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析，得到所有灰样的预设特征变量组合的数据。
62.示例性的，参见图2，可以通过下面的方法确定预设特征变量组合的数据和软化温度。
63.首先，将上述训练样本进行研磨、烘干后进行筛分，过200目筛，粒径小于74m，装入密封袋内备用。然后对训练样本中的燃煤和其他燃料进行工业分析和元素分析，从而便于考虑将部分工业分析及元素分析数据作为灰熔融温度预测模型的输入。
64.然后，将燃煤和其他燃料按照不同的质量比例进行混合，放入研钵中搅拌20min，使其充分混合均匀。
65.接着，采用快速灰化法对原料煤、生物质燃料和可燃固体废弃物的实验原料及其混合物进行灰化制得灰熔融温度测定实验所需的灰样。对所制得的所有灰样进行灰成分分析，测得其矿物组成及含量。
66.最后，即可通过上述测得的矿物组成即含量，确定训练样本的预设特征变量组合的数据。
67.碱酸比(b/a)为：
[0068][0069]
其中：b为灰成分中碱性氧化物的总和，a为灰成分中酸性氧化物总和。
[0070]
硅比g为：
[0071][0072]
结渣指数rs为：
[0073][0074]
其中，s
t，d
为煤种干燥基全硫的含量。
[0075]
综合指数r为：
[0076][0077]
然后将制备得到的灰样制备成灰锥，通过灰熔融特性测定仪获得灰样的软化温度，为构建模型提供数据样本。需要说明的是，在工程中，一般采用软化温度st来表征灰熔融温度，因此，本发明中也主要测试的是软化温度st。
[0078]
步骤s120、以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习，得到灰熔融温度预测模型。
[0079]
在得到训练样本的预设特征变量组合的数据和训练样本的软化温度后，即可基于人工智能算法建立灰熔融温度预测模型。
[0080]
灰熔融温度预测模型是以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的。
[0081]
示例性的，以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习时，还需要预先设置灰熔融温度预测模型的最大允许误差和最大迭代次数，从而通过最大允许误差和最大迭代次数的约束，确定迭代完成后的灰熔融温度预测模型是否满足误差和迭代次数的要求。
[0082]
示例性的，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练。测试数据用于对灰熔融温度预测模型进行修正。
[0083]
将测试集输入到灰熔融温度预测模型中，即可输出测试集对应的软化温度，该软化温度即为测试结果。然后将测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定，也可得到真实的软化温度，即为真实问结果。通过真实结果和测试结果
[0084]
通过测试集的测试结果和真实结果，对灰熔融温度预测模型可以进行修正，对输入的预设特征变量组合进行调整，改变隐含层节点数目，根据测试结果和真实结果的差异，判断灰熔融温度预测模型是过拟合还是欠拟合。过拟合则进行正则化，对模型进行简化。若欠拟合，则进一步优化模型，使模型变复杂。
[0085]
本发明构建的灰熔融温度预测模型可有效快速地预测燃煤与生物质燃料以及可燃固体废弃物在各掺混比例下的混合物的灰熔融温度。还可以预测燃煤与单一生物质掺混、或燃煤与单一可燃固体废弃物掺混燃烧的灰熔融温度，也可以预测燃煤与多种生物质
掺混、或燃煤与多种可燃固体废弃物掺混、或燃煤与多种可燃固体废弃物以及多种生物质掺混燃烧的灰熔融温度。
[0086]
通过采用构建的灰熔融温度预测模型对待预测的掺混物的软化温度进行预测，可以减少实验环节。通过预测得到的软化温度，可以提高锅炉运行的安全性，有助于提高燃煤与生物质掺烧、燃煤与可燃固体废弃物、燃煤与生物质掺烧以及可燃固体废弃物掺烧方案的制订效率。
[0087]
灰熔融温度预测模型训练完成后，即可使用灰熔融温度预测模型对待预测的多燃料掺混样品的软化温度进行预测。
[0088]
参见图3，其示出了本发明实施例提供的一种多燃料灰熔融温度的预测方法的实现流程图，详述如下：
[0089]
步骤s310、获取多燃料掺混样品的预设特征变量组合的数据。
[0090]
其中，预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。可以根据使用场景，选取预设特征变量组合中的多种参数进行组合。
[0091]
示例性的，可以将多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数全部作为预设特征变量组合。
[0092]
在获取多燃料掺混样品的预设特征变量组合的数据之前，还需要首先对多燃料掺混样品进行处理，便于获取相关数据。
[0093]
示例性的，将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样。
[0094]
具体的，首先，将上述多燃料掺混样品进行研磨、烘干后进行筛分，过200目筛，粒径小于74m，装入密封袋内备用。
[0095]
然后，将燃煤和其他燃料按照不同的质量比例进行混合，放入研钵中搅拌20min，使其充分混合均匀。
[0096]
接着，采用快速灰化法对多燃料掺混样品进行灰化制得灰熔融温度测定实验所需的灰样。对所制得的灰样进行灰成分分析，测得其矿物组成及含量。
[0097]
最后，即可通过上述测得的矿物组成即含量，确定多燃料掺混样品的预设特征变量组合的数据。
[0098]
步骤s320、将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度。
[0099]
灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的。灰熔融温度预测模型已在步骤s110和s120中训练完成，在预测过程中，即可直接使用。
[0100]
将步骤s310中得到的预设特征变量组合的数据输入到灰熔融温度预测模型中，既可以获得多燃料掺混样品的的软化温度。
[0101]
本发明提供的预测方法，首先，获取多燃料掺混样品的预设特征变量组合的数据。然后，将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度。进而，只需将多燃料掺混样品的预设特征变量组合的数据输入至灰熔融温度预测模型中，即可得到待测掺混样品的软化温度，无需将待测掺混样品制作成灰锥，然后采用灰熔融特性测定仪进行实验测定，不仅提高了预测的时间，减少了实验环
节，而且本发明提供的灰熔融温度预测模型还具有较高的准确度，可以准确地对多燃料掺烧过程中的软化温度进行预测。
[0102]
下面，如图4所示，以一个具体实施例对本发明提供的灰熔融温度预测模型的训练过程，进行详细的说明：
[0103]
在此实施例中，采用燃煤、秸秆、污泥和中药渣作为混合燃料，并对该混合燃料的软化温度进行预测。
[0104]
首先，构建灰熔融温度预测模型。
[0105]
步骤s410、选取燃煤、秸秆、污泥和中药渣，对此四种实验原料进行研磨、烘干后进行筛分，过200目筛，粒径小于74m，装入密封袋内备用。
[0106]
步骤s420、将燃煤、秸秆、污泥和中药渣按照不同的质量比例进行混合，放入研钵中搅拌20min，使其充分混合均匀。
[0107]
步骤s430、采用快速灰化法对四种实验原料及其按照多种不同比例组成的混合物进行灰化制得灰熔融温度测定实验所需灰样。
[0108]
步骤s440、对所制得的多种灰样进行灰成分分析，测得其矿物组成及含量。并根据其矿物组成及含量，确定多种灰样的预设特征变量组合的数据。此处的预设特征变量组合包括燃煤、秸秆、污泥和中药渣的混合燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数。
[0109]
步骤s450、将多种灰样制备成灰锥，通过灰熔融特性测定仪分别获得每种灰样的软化温度。
[0110]
然后，对灰熔融温度预测模型进行训练。
[0111]
通过得到的多个灰样的预设特征变量组合的数据、及与其对应的软化温度后，即可基于人工智能算法建立灰熔融温度预测模型。将多个灰样的预设特征变量组合的数据、及与其对应的软化温度统称为训练样本。
[0112]
灰熔融温度预测模型是以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的。
[0113]
在对灰熔融温度预测模型进行训练时，需要将训练样本分为训练集和测试集，训练集用于对灰熔融温度预测模型进行训练。测试数据用于对灰熔融温度预测模型进行修正。
[0114]
在机器学习的过程中，还需要预先设置灰熔融温度预测模型的最大允许误差和最大迭代次数，从而通过最大允许误差和最大迭代次数的约束，确定迭代完成后的灰熔融温度预测模型是否满足误差和迭代次数的要求。
[0115]
本发明构建的灰熔融温度预测模型可有效快速地预测燃煤与生物质燃料以及可燃固体废弃物在各掺混比例下的混合物的灰熔融温度。还可以预测燃煤与单一生物质掺混、或燃煤与单一可燃固体废弃物掺混燃烧的灰熔融温度，也可以预测燃煤与多种生物质掺混、或燃煤与多种可燃固体废弃物掺混、或燃煤与多种可燃固体废弃物以及多种生物质掺混燃烧的灰熔融温度。
[0116]
通过采用构建的灰熔融温度预测模型对待预测的掺混物的软化温度进行预测，可以减少实验环节。通过预测得到的软化温度，可以提高锅炉运行的安全性，有助于提高燃煤与生物质掺烧、燃煤与可燃固体废弃物、燃煤与生物质掺烧以及可燃固体废弃物掺烧方案
的制订效率。
[0117]
最后，采用灰熔融温度预测模型进行测试。
[0118]
获取待测多燃料掺混样品的预设特征变量组合的数据，然后将待测多燃料掺混样品的预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，即可获得多燃料掺混样品的软化温度。
[0119]
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。
[0120]
基于上述实施例提供的多燃料灰熔融温度的预测方法，相应地，本发明还提供了应用于该多燃料灰熔融温度的预测方法的多燃料灰熔融温度的预测装置的具体实现方式。请参见以下实施例。
[0121]
如图5所示，提供了一种多燃料灰熔融温度的预测装置500，该装置包括：
[0122]
获取数据模块510，用于获取多燃料掺混样品的预设特征变量组合的数据；
[0123]
预测温度模块520，用于将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；
[0124]
其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。
[0125]
在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
[0126]
实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。
[0127]
在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
[0128]
在一种可能的实现方式中，获取数据模块510，用于将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样；
[0129]
对多燃料掺混样品的灰样进行灰成分分析，确定多燃料掺混样品的预设特征变量组合的数据。
[0130]
在一种可能的实现方式中，多燃料掺混样品包括原料煤、生物质燃料或可燃固体废弃物燃料中的至少两种燃料。
[0131]
图6是本发明实施例提供的电子设备的示意图。如图6所示，该实施例的电子设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个多燃料灰熔融温度的预测方法实施例中的步骤，例如图3所示的步骤310至步骤320。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块的功能，例如图5所示模块510至520的功能。
[0132]
示例性的，所述计算机程序62可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块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62在所述电子设备6中的执行过程。例如，所述计算机程序62可以被分割成图5所示的模块510至520。
[0133]
此外还包括另一个多燃料灰熔融温度预测模型的训练的电子设备，同样也包括处理器、存储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。所述处理器执行所述计算机程序时实现上述各个多燃料灰熔融温度预测模型的训练方法实施例中的步骤，例如图1所示的步骤110至步骤120。此处不在赘述。
[0134]
当然，多燃料灰熔融温度的预测方法的电子设备和多燃料灰熔融温度预测模型的训练的电子设备可以为同一个电子设备，也可以为不同的两台电子设备。
[0135]
所述电子设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
[0136]
所称处理器60可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、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)或者其他可编程逻辑器件、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。
[0137]
所述存储器61可以是所述电子设备6的内部存储单元，例如电子设备6的硬盘或内存。所述存储器61也可以是所述电子设备6的外部存储设备，例如所述电子设备6上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0138]
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，并不用于限制本技术的保护范围。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。
[0139]
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。
[0140]
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。
[0141]
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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。
[0142]
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。
[0143]
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。
[0144]
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个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个多燃料灰熔融温度的预测方法实施例的步骤。此外，所述的计算机程序还可存储于另一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个多燃料灰熔融温度预测模型的训练方法实施例的步骤。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(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0145]
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。