一种确定燃气锅炉的运行氧量的方法及装置
技术领域
本发明涉及能源领域，尤其涉及一种确定燃气锅炉的运行氧量的方法及装置。
背景技术
燃气锅炉的运行氧量指的是燃气锅炉运行时炉膛出口烟气的含氧量，运行氧量对燃气锅炉的热效率产生直接影响，即影响燃气锅炉所属供电机组的供电耗气量。具体地，燃气锅炉产生的热能可能被其所属供电机组用于供电，运行氧量过低时，将会导致燃气无法充分燃烧，将会造成热损失以降低锅炉的热效率，从而导致供电耗气量增大；运行氧量过高时，将会导致燃气锅炉所属供电机组中风机鼓入过多的空气而浪费热量，降低燃气锅炉的热效率，从而导致供电耗气量增大。
目前，燃气锅炉的运行氧量通常是基于工作人员的工作经验给出的经验值，可根据该经验值调控燃气锅炉。不同燃气锅炉运行时可能燃烧具有不同特性(比如燃气热值)的燃气、且不同燃气锅炉的炉膛结构也可能各不相同，根据经验值调控燃气锅炉时，可能导致燃气锅炉的热效率较低。
发明内容
本发明提供一种确定燃气锅炉的运行氧量的方法、装置、可读介质及电子设备，根据得到的最优运行氧量调控燃气锅炉，可提高燃气锅炉的热效率。
第一方面，本发明提供了一种确定燃气锅炉的运行氧量的方法，包括：
采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；
根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；
基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。
优选地，
所述采集所述燃气锅炉的至少两个工况数据，包括：
确定至少两个负荷率；
针对每一个所述负荷率，采集所述燃气锅炉在至少一个设定时长内以所述负荷率运行时分别对应的工况数据。
优选地，
所述根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，包括：
针对每个所述工况数据，将所述工况数据中的所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量分别作为输入变量，将所述工况数据中的所述烟气氧量、所述机组供电耗气量分别作为预测变量；
选择至少两个所述工况数据作为训练数据，并将未被选择的各个所述工况数据作为测试数据；
根据每个所述训练数据中的各个所述输入变量及各个所述预测变量，进行神经网络自学习以形成候选烟气氧量模型；
根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
当所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量时，将所述候选烟气氧量模型确定为烟气氧量模型。
优选地，
所述根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量，包括：
A1、选择一个未被选择过的所述测试数据；
A2、将选择的所述测试数据中的各个所述输入变量输入所述候选烟气氧量模型，接收所述候选烟气氧量模型根据输入的各个所述输入变量计算的预测运行氧量及预测供电耗气量；
A3、检测选择的所述测试数据中的所述烟气氧量与所述预测烟气氧量之间的差值是否在第一预设误差范围内，如果是，则执行A4，否则，执行A7；
A4、检测选择的所述测试数据中的所述供电耗气量与所述预测供电耗气量之间的差值是否在第二预设误差范围内，如果是，则执行A5，否则执行A7；
A5、检测是否存在未被选择过的所述测试数据，如果是则执行A1，否则执行A6；
A6、确定所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
A7、确定所述候选烟气氧量模型不能准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量。
第二方面，本发明提供了一种确定燃气锅炉的运行氧量的装置，包括：
数据采集模块，用于采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；
模型训练模块，用于根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；
优化处理模块，用于基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。
优选地，
所述数据采集模块，包括：负荷率确定单元及数据采集单元；其中，
所述负荷率确定单元，用于确定至少两个负荷率；
所述数据采集单元，用于针对每一个所述负荷率，采集所述燃气锅炉在至少一个设定时长内以所述负荷率运行时分别对应的工况数据。
优选地，
所述模型训练模块，包括：变量定义单元、数据划分单元、模型训练单元、测试单元及模型确定单元；其中，
所述变量定义单元，用于针对每个所述工况数据，将所述工况数据中的所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量分别作为输入变量，将所述工况数据中的所述烟气氧量、所述机组供电耗气量分别作为预测变量；
所述数据划分单元，用于选择至少两个所述工况数据作为训练数据，并将未被选择的各个所述工况数据作为测试数据；
所述模型训练单元，用于根据每个所述训练数据中的各个所述输入变量及各个所述预测变量，进行神经网络自学习以形成候选烟气氧量模型
所述测试单元，根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
所述模型确定单元，当所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量时，将所述候选烟气氧量模型确定为烟气氧量模型。
优选地，
所述测试单元，用于执行如下步骤A1～A7：
A1、选择一个未被选择过的所述测试数据；
A2、将选择的所述测试数据中的各个所述输入变量输入所述候选烟气氧量模型，接收所述候选烟气氧量模型根据输入的各个所述输入变量计算的预测运行氧量及预测供电耗气量；
A3、检测选择的所述测试数据中的所述烟气氧量与所述预测烟气氧量之间的差值是否在第一预设误差范围内，如果是，则执行A4，否则，执行A7；
A4、检测选择的所述测试数据中的所述供电耗气量与所述预测供电耗气量之间的差值是否在第二预设误差范围内，如果是，则执行A5，否则执行A7；
A5、检测是否存在未被选择过的所述测试数据，如果是则执行A1，否则执行A6；
A6、确定所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
A7、确定所述候选烟气氧量模型不能准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种确定燃气锅炉的运行氧量的方法、装置、可读介质及电子设备，该方法通过采集燃气锅炉的至少两个工况数据，每个工况数据中均包括相应的燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量，然后根据各个工况数据进行神经网络自学习以形成烟气氧量模型，形成的烟气氧量模型指示了燃气热值、燃气总量、总送风量、二次送风量与烟气氧量、机组供电耗气量之间的函数关系，燃气锅炉运行时，其供电耗气量越低则说明燃气锅炉的热效率越高，反之，其供电耗气量越高则说明燃气锅炉的热效率越低，相应的，在燃气锅炉的特定工况参数(比如，燃气热值)不发生改变且燃气锅炉的炉膛结构不发生改变的情况下，即可将总送风量等能够直接影响烟气氧量及供电耗气量的工况参数作为优化参数，基于这些优化参数通过遗传算法求解烟气氧量模型的最优解，得到燃气锅炉的供电耗气量最小时对应的最优运行氧量；相应的，根据得到的最优运行氧量调控燃气锅炉，即可提高燃气锅炉的热效率。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，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中记载的一些实施例，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。
图1为本发明一实施例提供的一种确定燃气锅炉的运行氧量的方法的流程示意图；
图2为本发明一实施例提供的一种确定燃气锅炉的运行氧量的装置的结构示意图；
图3为本发明一实施例提供的一种电子设备的结构示意图；
图4为本发明一实施例提供的另一种确定燃气锅炉的运行氧量的装置的结构示意图；
图5为本发明一实施例提供的又一种确定燃气锅炉的运行氧量的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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。
如图1所示，本发明实施例提供了一种确定燃气锅炉的运行氧量的方法，包括如下步骤101～步骤103：
步骤101，采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量。
需要说明的是，对于采集的每一个工况数据，该工况数据中的燃气热值具体指的是燃气锅炉在一个设定时长内运行时所消耗的燃气的热值、燃气总量具体指的是燃气锅炉在该设定时长内运行时所消耗的燃气的总量、总送风量具体指的是燃气锅炉在该设定时长内运行时通过风机或其他设备鼓入的空气的第一总量、二次送风量具体指的是燃气锅炉在该设定时长内运行时通过风机或其他设备二次鼓入的空气的第二总量(二次送风量属于总送风量的一个组成部分)、烟气氧量具体指的是燃气锅炉在该设定时长内运行时炉膛出口烟气的含氧量、机组供电耗气量具体指的是燃气锅炉在该设定时长内产生一个单位的电能所需消耗的燃气量。显而易见的，对于不同的工况数据，其包括的燃气热值应当相同，其包括的燃气总量、总送风量、烟气氧量以及机组供电耗气量可以不同。
燃气锅炉的负荷率也能够在一定长度上影响燃气锅炉的热效率，为了使后续得到的烟气氧量模型能够平衡不同负荷率对燃气锅炉的热效率的影响程度，确保根据最优运行氧量调控燃气锅炉以不同负荷率运行时，均可提高燃气锅炉的热效率，本发明一个实施例中，所述采集所述燃气锅炉的至少两个工况数据，包括：
确定至少两个负荷率；
针对每一个所述负荷率，采集所述燃气锅炉在至少一个设定时长内以所述负荷率运行时分别对应的工况数据。
该实施例中，确定的各个负荷率可以由工作人员结合实际业务场景进行设置，确定的至少两个负荷率包括但不限于40％、60、80％、100％，比如还可以包括90％以及工作人员设置的其他数值。
举例来说，可首先调控燃气锅炉以40％的负荷率持续运行，通过若干个传感器节点和/或若干个表计以设定时间间隔周期性采集燃气锅炉在每一个时间间隔内分别对应的工况数据，直到采集的各个工况数据的当前达到设定数量(设定数量可以为100，当然也可根据实际业务需求将设定数量确定为其它数值)时停止采集并调控然后锅炉以其他的负荷率运行，之后，基于相似的原理，可采集燃气锅炉以其他负荷率运行时分别对应的一个或多个工况数据。
步骤102，根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系。
这里，烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系，针对于该烟气氧量模型，当总风量、燃气总量等工况参数发生变化时，即可通过该烟气氧量模型预测出变化后的烟气氧量及机组供电耗气量，预测的机组供电耗气量越小，则说明根据预测的烟气氧量调控燃气锅炉时，燃气锅炉的热效率越高。
本领域技术人员应当理解的，进行神经网络自学习时，需要将每个工况数据中的多个工况参数作为输入变量，将每个工况数据中未被作为输入变量的另一部分工况参数作为输出变量。
采集的各个工况数据可能因误差或发生其他错误以导致其不能准确反映燃气锅炉的运行情况，从而导致进行神经网络自学习以得到的烟气氧量模型不能准确预测烟气氧量及机组供电耗气量，进而导致得到的最优运行氧量不够准确。因此，为了进一步提高得到的最优运行氧量的准确性，本发明一个实施例中，所述根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，包括：
针对每个所述工况数据，将所述工况数据中的所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量分别作为输入变量，将所述工况数据中的所述烟气氧量、所述机组供电耗气量分别作为预测变量；
选择至少两个所述工况数据作为训练数据，并将未被选择的各个所述工况数据作为测试数据；
根据每个所述训练数据中的各个所述输入变量及各个所述预测变量，进行神经网络自学习以形成候选烟气氧量模型；
根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
当所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量时，将所述候选烟气氧量模型确定为烟气氧量模型。
显而易见的，当候选烟气氧量模型不能准确预测燃气锅炉的烟气氧量及供电耗气量时，则可再次执行步骤101，重新采集燃气锅炉的运行数据。
作为一种实施方式，所述根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量，包括：
A1、选择一个未被选择过的所述测试数据；
A2、将选择的所述测试数据中的各个所述输入变量输入所述候选烟气氧量模型，接收所述候选烟气氧量模型根据输入的各个所述输入变量计算的预测运行氧量及预测供电耗气量；
A3、检测选择的所述测试数据中的所述烟气氧量与所述预测烟气氧量之间的差值是否在第一预设误差范围内，如果是，则执行A4，否则，执行A7；
A4、检测选择的所述测试数据中的所述供电耗气量与所述预测供电耗气量之间的差值是否在第二预设误差范围内，如果是，则执行A5，否则执行A7；
A5、检测是否存在未被选择过的所述测试数据，如果是则执行A1，否则执行A6；
A6、确定所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
A7、确定所述候选烟气氧量模型不能准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量。
不难理解的，第一预设误差范围和第二预测误差范围可以是工作人员结合实际业务场景给定的经验值。
步骤103，基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。
这里，具体可以将总送风量作为优化参数，基于遗传算法对该烟气氧量模型进行寻优求解，求解过程可实现反复调整烟气氧量模型的总送风量，烟气氧量模型的总送风量每被调整一次，即可基于该烟气氧量模型预测出对应的运行氧量及供电耗气量，进而将求解过程中预测的各个供电耗气量中的最小值对应的烟气氧量作为最优运行氧量即可。
基于遗传算法对参数寻优属于本领域的常用技术手段，这里不再针对基于遗传算法对烟气氧量模型进行参数寻优的过程进行赘述。
基于与本发明方法实施例相同的构思，请参考图2，本发明实施例还提供了一种确定燃气锅炉的运行氧量的装置，在一较佳实施例中，确定燃气锅炉的运行氧量的装置具体可以包括若干个由计算机程序指令组成的程序模块，本发明所称的模块是指一种电子设备(如图3)的处理器执行并且能够完成固定功能的一系列计算机程序指令段，其存储在存储器中。所述确定燃气锅炉的运行氧量的装置，包括：
数据采集模块201，用于采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；
模型训练模块202，用于根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；
优化处理模块203，用于基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。
请参考图4，本发明一个实施例中，所述数据采集模块201，包括：负荷率确定单元2011及数据采集单元2012；其中，
所述负荷率确定单元2011，用于确定至少两个负荷率；
所述数据采集单元2012，用于针对每一个所述负荷率，采集所述燃气锅炉在至少一个设定时长内以所述负荷率运行时分别对应的工况数据。
请参考图5，本发明一个实施例中，所述模型训练模块202，包括：变量定义单元2021、数据划分单元2022、模型训练单元2023、测试单元2024及模型确定单元2025；其中，
所述变量定义单元2021，用于针对每个所述工况数据，将所述工况数据中的所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量分别作为输入变量，将所述工况数据中的所述烟气氧量、所述机组供电耗气量分别作为预测变量；
所述数据划分单元2022，用于选择至少两个所述工况数据作为训练数据，并将未被选择的各个所述工况数据作为测试数据；
所述模型训练单元2023，用于根据每个所述训练数据中的各个所述输入变量及各个所述预测变量，进行神经网络自学习以形成候选烟气氧量模型
所述测试单元2024，根据每个所述测试数据中的各个所述输入变量及各个所述预测变量，测试所述候选烟气氧量模型是否能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
所述模型确定单元2025，当所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量时，将所述候选烟气氧量模型确定为烟气氧量模型。
本发明一个实施例中，所述测试单元2024，用于执行如下步骤A1～A7：
A1、选择一个未被选择过的所述测试数据；
A2、将选择的所述测试数据中的各个所述输入变量输入所述候选烟气氧量模型，接收所述候选烟气氧量模型根据输入的各个所述输入变量计算的预测运行氧量及预测供电耗气量；
A3、检测选择的所述测试数据中的所述烟气氧量与所述预测烟气氧量之间的差值是否在第一预设误差范围内，如果是，则执行A4，否则，执行A7；
A4、检测选择的所述测试数据中的所述供电耗气量与所述预测供电耗气量之间的差值是否在第二预设误差范围内，如果是，则执行A5，否则执行A7；
A5、检测是否存在未被选择过的所述测试数据，如果是则执行A1，否则执行A6；
A6、确定所述候选烟气氧量模型能够准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量；
A7、确定所述候选烟气氧量模型不能准确预测所述燃气锅炉的所述烟气氧量及所述供电耗气量。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图3是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器301以及存储有执行指令的存储器302，可选地还包括内部总线303及网络接口304。其中，存储器302可能包含内存3021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器3022(non-volatile memory)，例如至少1个磁盘存储器等；处理器301、网络接口302和存储器可以通过内部总线303相互连接，该内部总线303可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture，扩展工业标准结构)总线等；所述内部总线303可以分为地址总线、数据总线、控制总线等，为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器执行存储器存储的执行指令时，处理器执行本发明任意一个实施例中所述的方法，并至少用于执行：
采集所述燃气锅炉的至少两个工况数据，其中，所述工况数据包括燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量；
根据各个所述工况数据进行神经网络自学习以形成烟气氧量模型，所述烟气氧量模型指示了所述燃气热值、所述燃气总量、所述总送风量、所述二次送风量与所述烟气氧量、所述机组供电耗气量之间的函数关系；
基于遗传算法求解所述烟气氧量模型的最优解，所述最优解指示了所述燃气锅炉的供电耗气量最小时对应的最优运行氧量。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成确定燃气锅炉的运行氧量的装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的确定燃气锅炉的运行氧量的方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(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 GateArray，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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
本发明实施例还提供了一种计算机可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图3所示的电子设备；执行指令是确定燃气锅炉的运行氧量的装置所对应计算机程序。
前述各个实施例中所述的电子设备可以为计算机。
综上所述，本发明各个实施例至少具有如下有益效果：
通过采集燃气锅炉的至少两个工况数据，每个工况数据中均包括相应的燃气热值、燃气总量、总送风量、二次送风量、烟气氧量以及机组供电耗气量，然后根据各个工况数据进行神经网络自学习以形成烟气氧量模型，形成的烟气氧量模型指示了燃气热值、燃气总量、总送风量、二次送风量与烟气氧量、机组供电耗气量之间的函数关系，燃气锅炉运行时，其供电耗气量越低则说明燃气锅炉的热效率越高，反之，其供电耗气量越高则说明燃气锅炉的热效率越低，相应的，在燃气锅炉的特定工况参数(比如，燃气热值)不发生改变且燃气锅炉的炉膛结构不发生改变的情况下，即可将总送风量等能够直接影响烟气氧量及供电耗气量的工况参数作为优化参数，基于这些优化参数通过遗传算法求解烟气氧量模型的最优解，得到燃气锅炉的供电耗气量最小时对应的最优运行氧量；相应的，根据得到的最优运行氧量调控燃气锅炉，即可提高燃气锅炉的热效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
