利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置的制造方法
【技术领域】
[0001] 本发明设及能源电力技术领域，具体设及一种利用贝叶斯网络算法建立锅炉燃烧 过程模型的方法和装置。
【背景技术】
[0002] 近年来，国内的各种环保规范越来越严格，因此发电企业如何提高锅炉燃烧效率、 减少污染物排放将成为其重点考虑的问题之一。而建立锅炉燃烧过程的模型，通过该模型 对锅炉燃烧过程进行优化调整，提高锅炉效率并减少污染物排放，是目前常用的方法。
[0003] 目前，常用的一种建立锅炉燃烧过程模型的方法是：利用人工神经网络算法建立 锅炉燃烧过程模型。
[0004] 然而，由于锅炉的燃烧过程存在大量的不确定信息，而人工神经网络算法对不确 定信息的处理能力比较弱，因此利用人工神经网络算法建立的锅炉燃烧过程模型的精度不 高，无法适应电厂生产中复杂多变的工况。
【发明内容】
[0005] 为了解决上述技术的问题，并改善锅炉燃烧模型在建立过程中需要处理大量实施 数据造成的计算效率等问题，本发明提供了一种利用贝叶斯网络算法建立锅炉燃烧过程模 型的方法和装置，提高了建立的锅炉燃烧过程模型的精度，可W适应电厂生产中复杂多变 的工况。
[0006] 为了解决上述问题，本发明公开了一种利用贝叶斯网络算法建立锅炉燃烧过程模 型的方法，所述方法包括：
[0007] 设定锅炉燃烧过程模型的输入变量和输出变量；
[000引根据所述输入变量和所述输出变量之间的因果关系，建立所述输入变量和所述输 出变量的贝叶斯网络结构；
[0009] 获取锅炉燃烧的历史样本数据；
[0010] 通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程模型进行离线学习， 得到所述贝叶斯网络结构中所述输入变量和所述输出变量之间的条件概率关系参数；
[0011] 根据所述贝叶斯网络结构中所述输入变量和所述输出变量之间的条件概率关系 参数，确定所述锅炉燃烧过程模型。
[0012] 进一步地，当所述锅炉燃烧的历史样本数据完整时，通过使用所述锅炉燃烧的历 史样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述贝叶斯网络结构中所述输入 变量和所述输出变量之间的条件概率关系参数，包括：
[0013] 利用最大似然估计算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧 过程模型进行离线学习，得到所述贝叶斯网络结构中所述输入变量和所述输出变量之间的 条件概率关系参数。
[0014] 进一步地，所述最大似然估计算法的公式如下：
[0015]
[0016] 其中，Y表示所述输出变量，y I表示所述输出变量的取值，W表示所述输入变量，wl、 w2表示所述输入变量的取值，N(Y = yl，W = wl)表示Y取值为yl、W取值为Wl在历史样本中发 生的次数，N(Y = yl，W=w2)表示Y取值为yl、W取值为w2在历史样本中发生的次数。
[0017] 进一步地，当所述锅炉燃烧的历史样本数据不完整时，通过使用所述锅炉燃烧的 历史样本数据对模型进行离线学习，得到所述贝叶斯网络结构中所述输入变量和所述输出 变量之间的条件概率关系参数，包括：
[0018] 利用最大期望算法，通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程 模型进行离线学习，得到所述贝叶斯网络结构中所述输入变量和所述输出变量之间的条件 概率关系参数。
[0019] 进一步地，所述最大期望算法的公式如下：
[00201 炉辦 - 表乐第*个所述锅 'K. 烧的历史样本数据，I((Y = yl，W=wl) Id化)）是计数函数，当Y = yl、W=wl在D化)中存在则I ((Y = yl ,W=wl) I D化)）=1，当Y = yl、W = wl在 D(k)中不存在则K (Y = yl ,W=w1)|D化)）= 0;
D(k)表示第k个所述锅炉燃烧的历史样 本数据，I((Y = yl，W=w2)|D化））是计数函数，当Y = yl、W=w2在D化）中存在则I((Y = yl，W =w2) Id化））=1，当Y = yl、W=w2在D化）中不存在则I((Y = yl，W=w2) Id化））=0。
[0021] 为了解决上述问题，本发明还公开了一种利用贝叶斯网络算法建立锅炉燃烧过程 模型的装置，所述装置包括：
[0022] 设定模块，用于设定锅炉燃烧过程模型的输入变量和输出变量；
[0023] 建立模块，用于根据所述输入变量和所述输出变量之间的因果关系，建立所述输 入变量和所述输出变量的贝叶斯网络结构；
[0024] 获取模块，用于获取锅炉燃烧的历史样本数据；
[0025] 离线学习模块，用于通过使用所述锅炉燃烧的历史样本数据对所述锅炉燃烧过程 模型进行离线学习，得到所述贝叶斯网络结构中所述输入变量和所述输出变量之间的条件 概率关系参数；
[0026] 确定模块，用于根据所述贝叶斯网络结构中所述输入变量和所述输出变量之间的 条件概率关系参数，确定所述锅炉燃烧过程模型。
[0027] 进一步地，当所述锅炉燃烧的历史样本数据完整时，所述离线学习模块包括：
[0028] 第一离线学习单元，用于利用最大似然估计算法，通过使用所述锅炉燃烧的历史 样本数据对所述锅炉燃烧过程模型进行离线学习，得到所述贝叶斯网络结构中所述输入变 量和所述输出变量之间的条件概率关系参数。
[0029] 进一步地，所述最大似然估计算法的公式如下：
[0030]
[0031] 其中，Y表示所述输出变量，y I表示所述输出变量的取值，W表示所述输入变量，wl、 w2表示所述输入变量的取值，N(Y = yl，W = wl)表示Y取值为yl、W取值为Wl在历史样本中发 生的次数，N(Y = yl，W=w2)表示Y取值为yl、W取值为w2在历史样本中发生的次数。
[0032 ]进一步地，当所述锅炉燃烧的历史样本数据不完整时，所述离线学习模块包括：
[0033] 第二离线学习单元，用于利用最大期望算法，通过使用所述锅炉燃烧的历史样本 数据对所述锅炉燃烧过程模型进行离线学习，得到所述贝叶斯网络结构中所述输入变量和 所述输出变量之间的条件概率关系参数。
[0034] 进一步地，所述最大期望算法的公式如下：
[0035]
[0036] 示第k个所述锅炉燃 K 烧的历史样本数据，I((Y = yl，W=wl) Id化)）是计数函数，当Y = yl、W=wl在D化)中存在则I ((￥ = 71，胖=￥1)0化））=6，当￥ = 71、胖="1在0化)中不存在则1((￥ = 71，胖=￥1)|0化））= 0;表示第k个所述锅炉燃烧的历史样 化
本数据，I((Y = yl，W=w2)|D化））是计数函数，当Y = yl、W=w2在D化）中存在则I((Y = yl，W =w2) Id化））=6,当Y = yl、W=w2在D化）中不存在则I((Y = yl，W=w2) Id化））=0。
[0037] 本发明提供的利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置：由于贝 叶斯网络能够方便地处理不完全数据，可W在数据样本空间缺失的条件下进行建模，并且 能够提供较为直观的概率关联关系模型，因此，基于贝叶斯网络结构的锅炉燃烧过程模型 可W更加客观地反映锅炉燃烧过程的真实状况，提高了建立的锅炉燃烧过程模型的精度， 可W适应电厂生产中复杂多变的工况。
【附图说明】
[0038] 此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发 明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0039] 图1是本发明实施例提供的一种贝叶斯网络结构和参数的示意图；
[0040] 图2是本发明实施例提供的一种利用贝叶斯网络算法建立锅炉燃烧过程模型的方 法示意图；
[0041] 图3是本发明实施例提供的一种反映锅