[发明专利]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

说明书

技术领域

本发明涉及能源电力技术领域，具体涉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

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。

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。

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

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，可以适应电厂生产中复杂多变的工况。

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：

设定锅炉燃烧过程模型的输入变量和输出变量；

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；

获取锅炉燃烧的历史样本数据；

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；

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。

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：

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。

进一步地，所述最大似然估计算法的公式如下：

P(Y=y1|W=w1)=N(Y=y1,W=w1)N(Y=y1,W=w1)+N(Y=y1,W=w2)]]>

其中，Y表示所述输出变量，y1表示所述输出变量的取值，W表示所述输入变量，w1、w2表示所述输入变量的取值，N(Y＝y1,W＝w1)表示Y取值为y1、W取值为w1在历史样本中发生的次数，N(Y＝y1,W＝w2)表示Y取值为y1、W取值为w2在历史样本中发生的次数。

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：