用于生成燃烧优化用学习数据的装置及其方法与流程

本发明涉及一种学习数据生成技术，更为详细地，涉及一种用于生成燃烧优化所需要的学习数据的装置及其方法。

背景技术：

燃煤发电厂的锅炉是利用煤炭燃烧时发生的发热反应对水进行加热并生成发电所需要的蒸汽。此时，将生成如氮氧化物等污染废气，当污染废气的生成量较多时会导致增加用于对其进行管理的处理费用，而且在不完全燃烧时会因为燃烧效率的下降而导致发电/运行费用增加。因此，需要开发出一种既能够提高燃烧效率还能够减少废气排放的技术。为此，需要执行燃烧优化，为了燃烧优化而在生成学习所需要的数据时，存在使用者必须通过多个步骤进行数据处理的不便。而且，除非是熟练的使用者，否则难以生成数据。

先行技术文献

专利文献

韩国登记专利第1810968号(2017.12.14.)

专利内容

本发明的目的在于提供一种用于生成燃烧优化所需要的学习数据的装置及其方法。

根据本发明之实施例的用于生成学习数据的装置，包括：预处理部，对包括与锅炉燃烧相关的当前测定到的实时数据以及与上述锅炉燃烧相关的历史测定到的历史数据在内的原始数据进行采集并对所采集到的原始数据执行预处理；以及，分析部，通过对上述原始数据进行分析而从上述原始数据导出学习数据。

上述预处理部，包括：重建部，对上述原始数据中有异常信号的部分进行重建；过滤部，通过基础知识算法按照特定条件对上述原始数据进行过滤；以及，去除部，对上述原始数据中的极端值(outlier)进行去除。

上述分析部，包括：聚类部，通过对上述原始数据的标记之间的相关关系进行分析而推导出学习所需要的标记之间的相关关系并借此对上述原始数据进行聚类；以及采样部，从按照上述标记之间的相关关系进行聚类的原始标记数据提取出学习数据。

上述采样部，包括：模式分析部，通过以l2norm为基础对原始数据进行分析而推导出上述原始数据的模式；以及数据采样部，以上述所推导出的模式以及采样算法为基础对上述原始数据进行采样并借此推导出学习数据。

上述原始数据，包括：输入数据；以及输出数据，与上述输入数据对应。

上述原始数据，是按照所采集到的时间进行累积并按照不同标记进行分类。

上述学习数据，包括：输入数据，供神经网络(nn：neuralnetwork)模型进行学习；以及目标数据，与上述输入数据对应。

根据本发明之实施例的用于生成学习数据的装置，包括：管理层部，对与锅炉燃烧相关的当前测定到的实时数据进行采集，并通过对所采集到的实时数据进行分析而决定燃烧优化的执行与否和燃烧模型以及燃烧控制器的调谐与否；数据层部，从包括上述实时数据以及与上述锅炉燃烧相关的历史测定到的历史数据在内的原始数据推导出学习数据；模型层部，根据上述学习数据生成燃烧模型以及燃烧控制器；以及优化层部，利用燃烧模型以及燃烧控制器计算出用于燃烧优化的目标值并根据所计算出的目标值输出控制信号。

上述数据层部，包括：预处理部，对包括与锅炉燃烧相关的当前测定到的实时数据以及与上述锅炉燃烧相关的历史测定到的历史数据在内的原始数据进行采集并对所采集到的原始数据执行预处理；以及分析部，通过对上述原始数据进行分析而从上述原始数据导出学习数据。

上述预处理部，包括：重建部，对上述原始数据中有异常信号的部分进行重建；过滤部，通过基础知识算法按照特定条件对上述原始数据进行过滤；以及去除部，对上述原始数据中的极端值(outlier)进行去除。

上述分析部，包括：聚类部，通过对上述原始数据的标记之间的相关关系进行分析而推导出学习所需要的标记之间的相关关系并借此对上述原始数据进行聚类；以及采样部，从按照上述标记之间的相关关系进行聚类的原始标记数据提取出学习数据。

上述采样部，包括：模式分析部，通过以l2norm为基础对原始数据进行分析而推导出上述原始数据的模式；以及数据采样部，以上述所推导出的模式以及采样算法为基础对上述原始数据进行采样并借此推导出学习数据。

上述原始数据，包括：输入数据；以及输出数据，与上述输入数据对应。

上述原始数据，是按照所采集到的时间进行累积并按照不同标记进行分类。

上述学习数据，包括：输入数据，供神经网络(nn：neuralnetwork)模型进行学习；以及目标数据，与上述输入数据对应。

用于生成学习数据的方法，包括如下步骤：预处理部对包括与锅炉燃烧相关的当前测定到的实时数据以及与上述锅炉燃烧相关的历史测定到的历史数据在内的原始数据进行采集；预处理部对上述所采集到的原始数据执行预处理；分析部通过对上述原始数据进行分析而从上述原始数据导出学习数据。

上述执行预处理的步骤，包括如下步骤：上述预处理部的重建部对上述原始数据中有异常信号的部分进行重建；上述预处理部的过滤部通过基础知识算法按照特定条件对上述原始数据进行过滤；上述预处理部的去除部对上述原始数据中的极端值(outlier)进行去除。

上述推导出学习数据的步骤，包括如下步骤：上述分析部的聚类部通过对上述原始数据的标记之间的相关关系进行分析而推导出学习所需要的标记之间的相关关系并借此对上述原始数据进行聚类；上述分析部的采样部从按照上述标记之间的相关关系进行聚类的原始数据提取出学习数据。

上述由分析部的采样部从按照上述标记之间的相关关系进行聚类的原始数据提取出学习数据的步骤，包括如下步骤：上述采样部的模式分析部通过以l2norm为基础对原始数据进行分析而推导出上述原始数据的模式；上述采样部的数据采样部以上述所推导出的模式以及采样算法为基础对上述原始数据进行采样并借此推导出学习数据。

上述原始数据，包括：输入数据；以及输出数据，与上述输入数据对应。

上述原始数据，是按照所采集到的时间进行累积并按照不同标记进行分类。

上述学习数据，包括：输入数据，供神经网络(nn：neuralnetwork)模型进行学习；以及目标数据，与上述输入数据对应。

通过本发明，不仅能够通过生成并提供燃烧优化所需要的学习数据而提升便利性，还能够在利用相应的学习数据执行燃烧优化时呈现出高性能的优化结果。

附图说明

图1是用于对根据本发明之实施例的燃烧优化装置的构成进行说明的框图。

图2是用于对根据本发明之实施例的燃烧优化方法进行说明的流程图。

图3是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的构成进行说明的框图。

图4是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的预处理部的详细构成进行说明的框图。

图5是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的采样部的详细构成进行说明的框图。

图6至图8是用于对根据本发明之实施例的用于生成燃烧优化学习数据的方法进行说明的流程图。

图9是对根据本发明之实施例的计算装置进行图示的示意图。

【符号说明】

100：管理层部

110：优化管理部

120：调谐管理部

200：数据层部

210：预处理部

211：重建部

213：过滤部

215：去除部

220：分析部

221：聚类部

223：采样部

223a：模式分析部

223b：数据采样部

300：模型层部

310：燃烧模型生成部

320：燃烧控制器生成部

400：优化层部

410：优化模型选择部

420：优化部

具体实施方式

本发明能够进行各种变换且能够具有多种实施例，接下来将对特定的实施例进行例示并在详细的说明中进行详细说明。但是，这并不是为了将本发明限定于特定的实施形态，而是应该理解为包括本发明之思想以及技术范围内的所有变换、均等物乃至替代物。

在本发明中所使用的术语只是用于对特定的实施例进行说明，并不是为了对本发明进行限定。除非上下文中有明确的相反含义，否则单数型语句还包括复数型含义。在本发明中，“包括”或“具有”等术语只是为了指定说明书中所记载的特征、数字、步骤、动作、构成要素、部件或上述之组合存在，并不应理解为事先排除一个或多个其他特征、数字、步骤、动作、构成要素、部件或上述之组合存在或附加的可能性。

首先，对根据本发明之实施例的燃烧优化装置的构成进行详细的说明。图1是用于对根据本发明之实施例的燃烧优化装置的构成进行说明的框图。

参照图1，根据本发明之实施例的燃烧优化装置10，包括管理层部100、数据层部200、模型层部300以及优化层部400。

管理层部100用于对与锅炉燃烧相关的当前测定到的实时数据进行采集，并通过对所采集到的实时数据进行分析而对燃烧优化、燃烧模型以及燃烧控制器进行管理。即，管理层部100通过对所测定到的数据进行分析而对燃烧优化的执行与否和燃烧模型以及燃烧控制器的调谐与否进行管理。为此，管理层部100包括优化管理部110以及调谐管理部120。

优化管理部(combustionmanagement)110用于对燃烧优化进行管理。锅炉系统包括锅炉(未图示)以及对锅炉的燃烧进行控制的燃烧控制器(未图示)。优化管理部110以从锅炉系统实时测定到的数据，即实时数据为基础决定燃烧优化的执行与否。其中，实时数据包括锅炉的运行数据以及状态二进值。运行数据包括在锅炉中通过多个传感器测定到的值以及用于对锅炉进行控制的控制值。状态二进值是用于表示与锅炉相关的参数状态的变化是否超出了已设定的范围的标志值。此时，状态二进值是通过二进值形式表达出如锅炉的输出变动、燃料使用量变动、燃料供应量变动、供水量变动、燃烧空气供应量变动、煤炭供应量变动、吹灰器工作与否、锅炉保护逻辑工作与否等状态的变化程度的数据。例如，当燃烧空气供应量从当前值在特定的范围内发生变动时，燃烧空气供应量的状态二进值将保持“0”，而当燃烧空气供应量从当前值的变化超出特定的范围时，状态二进值能够变化成“1”。

调谐管理部(auto-tuningmanagement(model/controller))120用于对燃烧模型以及燃烧控制器进行管理。调谐管理部120以实时测定到的实时数据以及燃烧优化的实施与否为基础决定燃烧模型以及燃烧控制器的调谐与否。此时，只有在调谐管理部120判断为要执行调谐的情况下，下述将要说明的模块，即燃烧模型生成部310以及燃烧控制器生成部320才会执行操作。与此相反，在调谐管理部120判断为不执行调谐的情况下，下述将要说明的模块，即燃烧模型生成部310以及燃烧控制器生成部320将不会执行该操作。为了生成设计燃烧模型以及控制器所需要的学习数据，数据层部200用于对数据进行预处理以及筛选。即，数据层部200从与上述锅炉燃烧相关的当前测定到的实时数据以及与上述锅炉燃烧相关的历史测定到的历史数据提取出设计燃烧模型以及燃烧控制器所需要的学习数据。如上所述的数据层部200包括预处理部210以及分析部220。

预处理部(datapre-processing)210用于对包括实时数据以及历史数据在内的数据执行预处理。此时，预处理部(datapre-processing)210执行信号重建、过滤以及极端值(outlier)处理中的至少一个预处理。其中，信号重建是指对遗漏的数据进行重建。此外，过滤是指以基础知识或数据为基础对符合条件的数据进行过滤。极端值(outlier)处理是指对超过上限值或不足下限值的数据进行去除的操作。通过如上所述的预处理，能够去除数据内的噪声或预先去除可能会对燃烧模型以及燃烧控制器的设计或调谐造成不良影响的数据等。

分析部(dataanalysis)220用于通过对经过预处理的数据进行分析而推导出学习数据。分析部220在以数据的标记为基础对数据之间的相关关系进行分析之后对数据进行聚类，并通过用于燃烧模型设计的相关关系分析选择模型输出数据的相关度为特定数值以上的输入数据。借此，能够推导出输入数据以及与其对应的目标数据。此外，分析部(dataanalysis)220执行通过数据的模式分析而筛选出设计燃烧模型以及燃烧控制器所需要的正常状态数据的采样动作。

模型层部300用于以学习数据为基础生成燃烧模型以及燃烧控制器。为此，模型层部300包括燃烧模型生成部310以及燃烧控制器生成部320。

燃烧模型生成部(combustionmodeldesignalgorithm)310设计用于对锅炉燃烧进行优化的最重要的要素之一的燃烧模型。燃烧模型生成部310以学习数据为基础生成燃烧模型。即，燃烧模型生成部310以包括燃料投入量、空气投入量、空气温度、水投入量、空气温度等实时数据以及历史数据在内的历史数据为基础，构成输出对如作为燃烧的重要变量的发电功率、包括蒸汽和废气温度在内的燃烧状态、废气(一氧化氮、氮氧化物)组成、燃烧后残留氧气量等要素进行预测的预测数据的燃烧模型。

根据本发明之实施例的燃烧模型，是以包括传递函数(transferfunction)模型和状态空间(statespace)模型在内的多个参数模型(parametricmodel)以及多个非参数模型(nonparametricmodel)中的至少一个为基础生成。下述表1中记载了根据本发明之实施例的参数模型以及非参数模型的实例。

【表1】

此外，燃烧模型能够利用在下述表2中记载的优化算法中的至少一个推导得出。

【表2】

燃烧控制器生成部(combustioncontrollerdesignalgorithm)320以学习数据为基础设计用于对锅炉燃烧进行优化的最重要的要素之一的燃烧控制器。所设计的燃烧控制器的作用在于，可生成用于实现最佳燃烧控制的最佳目标值。此时，在生成最佳目标值的过程中，使用燃烧模型(combustionmodel)。燃烧控制器通过燃烧模型以包括实时数据以及历史数据在内的输入数据为基础推导出预测数据，并参考所推导出的预测数据推导出最佳目标值。

优化层部400用于选择最佳的燃烧模型以及燃烧控制器，并利用所选择的燃烧模型以及燃烧控制器计算出用于燃烧优化的最佳的目标值。为此，优化层部400包括最佳模型选择部410以及优化部420。

最佳模型选择部(optimalmodel/controllerselection)410用于以对实时数据的分析结果为基础从预先生成的多个燃烧模型以及燃烧控制器中选择最佳的燃烧模型以及燃烧控制器。

最佳模型选择部410对实时数据以及历史数据执行分析。其中，分析包括1)以基础知识为基础的数据分析以及2)以数据为基础的分析。根据数据分析结果，能够推导出与实时数据的模式、发电功率变化、效率状况以及运行状况等相关的信息。最佳模型选择部410以根据如上所述的数据分析结果推导出的信息为基础选择将要在燃烧控制中使用的最佳的燃烧模型。此外，最佳模型选择部410利用数据分析结果以及燃烧模型选择燃烧优化的最佳的燃烧控制器。

优化部(combustionoptimizationalgorithm)420通过将实时数据输入到最佳模型选择部410所选择的燃烧模型以及控制器中而计算出燃烧优化的最佳的目标值。接下来，利用当前dcs的目标值(setpoints)以及手动偏差(manualbias)计算出最佳的控制目标值或相关辅助值。

接下来，对根据本发明之实施例的燃烧优化方法进行详细的说明。图2是用于对根据本发明之实施例的燃烧优化方法进行说明的流程图。

参照图2，在步骤s110，管理层部100的优化管理部110对与发电站的锅炉燃烧相关的当前测定到的实时数据进行采集。如上所述的实时数据包括锅炉的运行数据以及状态二进值。

运行数据包括在锅炉中通过多个传感器测定到的值以及用于对锅炉进行控制的控制值。状态二进值是用于表示与锅炉相关的参数状态的变化是否超出了已设定的范围的标志值。此时，状态二进值是通过二进值形式表达出如锅炉的输出变动、燃料使用量变动、燃料供应量变动、供水量变动、燃烧空气供应量变动、煤炭供应量变动、吹灰器工作与否、锅炉保护逻辑工作与否等状态的变化程度的数据。例如，当燃烧空气供应量从当前值在特定的范围内发生变动时，燃烧空气供应量的状态二进值将保持“0”，而当燃烧空气供应量从当前值的变化超出特定的范围时，状态二进值能够变化成“1”。

在步骤s120，优化管理部110以上述所采集到的数据为基础按照已设定的条件判断优化的执行与否。此时，优化管理部110能够通过以运行数据为基础的分析、以状态二进值为基础的分析、凭借专家的知识以及经验的分析，决定优化的执行与否。例如，在凭借专家的知识以及经验的分析中，能够根据如nox、co、单位负载需求量(unitloaddemand)等特定运行数据的范围以及数据之间的影响值的正常与否，决定优化的执行与否。尤其是，优化管理部110能够在推导出锅炉的优化控制可适用与否、燃烧优化的可执行与否之后，在上述两个值为真时决定执行优化。

当上述步骤s120的判断结果为决定执行优化时，在步骤s130，管理层部100的调谐管理部120以实时数据、燃烧优化的实施与否、燃烧模型以及燃烧控制器的调谐所需要的学习的执行与否中的至少一个为基础，判断燃烧模型以及燃烧控制器的调谐与否。

首先，在决定执行调谐的情况下，在步骤s140，数据层部200通过对当前测定到的实时数据以及历史测定到的历史数据进行预处理以及筛选而生成设计燃烧模型以及燃烧控制器所需要的学习数据。在如上所述的步骤s140，数据层部200的预处理部210首先对当前测定到的实时数据以及历史测定到的历史数据执行预处理。此时，预处理部210作为预处理执行对遗漏的数据进行重建的信号重建处理、以基础知识或数据为基础对符合已设定条件的数据进行过滤的过滤处理、对超过上限值或不足下限值的数据进行去除的极端值(outlier)处理中的至少一个。借此，能够去除标记数据内的噪声或预先去除可能会对燃烧模型以及燃烧控制器的设计造成不良影响的数据等。此外，在步骤s140，数据层部200的分析部220执行通过数据的模式分析而仅挑选出设计燃烧模型以及燃烧控制器所需要的正常状态的重要数据的采样动作，且为了设计燃烧模型而通过相关关系分析等选择燃烧模型以及燃烧控制器的输出变量的相关度为特定数值以上的输入变量。即，分析部220通过如上所述的采样以及输入变量选择而生成学习数据。

接下来，在步骤s150，模型层部300的燃烧模型生成部310以学习数据为基础生成燃烧模型。根据本发明之实施例的燃烧模型，能够以如表1所示的包括传递函数(transferfunction)模型和状态空间(statespace)模型在内的参数模型(parametricmodel)以及非参数模型(nonparametricmodel)中的至少一个为基础生成。燃烧模型生成部310能够通过在如表1所示的参数模型(parametricmodel)以及非参数模型(nonparametricmodel)中的至少一个适用学习数据，利用如表2所示的优化算法中的至少一个推导出燃烧模型。如上所示的燃烧模型的作用在于，以如燃料投入量、空气投入量、空气温度、水投入量、空气温度等输入为基础，对作为燃烧的重要变量的发电功率、包括蒸汽和废气温度在内的燃烧状态、废气(一氧化氮、氮氧化物)组成、燃烧后残留氧气量等要素进行预测。

接下来，在步骤s160，模型层部300的燃烧控制器生成部320以学习数据为基础推导出燃烧控制器。所设计的燃烧控制器的作用在于，可生成用于实现最佳燃烧控制的目标值。在生成最佳目标值的过程中，使用燃烧模型(combustionmodel)。

接下来，在步骤s170，优化层部400的最佳模型选择部410以当前测定到的实时数据的分析结果为基础，从预先生成的多个燃烧模型以及燃烧控制器中选择最佳的燃烧模型以及燃烧控制器。

在步骤s170，首先由最佳模型选择部410通过对实时数据进行分析而选择燃烧模型。其中，最佳模型选择部410从多个燃烧模型中选择与锅炉燃烧相关的当前测定到的实时数据与通过燃烧模型推测出的推测数据之间的差异最小的燃烧模型，例如残差最小的燃烧模型。接下来，最佳模型选择部410以所选择的燃烧模型为基础选择燃烧控制器。

接下来，在步骤s180，优化层部400的优化部420通过将当前测定到的实时数据输入到预先选择的燃烧模型以及燃烧控制器而计算出燃烧优化的最佳目标值。此时，优化部420能够计算出控制目标值以及与其相关的辅助值。

接下来，将对根据本发明之实施例的用于生成燃烧优化学习数据的装置的构成进行详细的说明。图3是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的构成进行说明的框图。图4是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的预处理部的详细构成进行说明的框图。此外，图5是用于对根据本发明之实施例的用于生成燃烧优化学习数据的装置的采样部的详细构成进行说明的框图。

首先，参照图3，根据本发明之实施例的数据层部200对原始数据(rd：rawdata)进行采集并通过对其进行加工而推导出学习数据(ld：learningdata)。

原始数据(rd)包括与锅炉燃烧相关的当前测定到的实时数据以及与锅炉燃烧相关的历史测定到的历史数据。原始数据(rd)按照时间对系统的输入值以及与该输入值对应的输出值进行累积并按照不同的标记进行分类采集。其中，标记表示数据的类型或属性。此外，所推导出的学习数据(ld)由供神经网络(nn：neuralnetwork)模型进行学习的输入值以及与输入值对应的目标值成对构成。输入值是在学习时输入到神经网络(nn)的值，目标值是在学习时与输入值对应的用于与神经网络(nn)的输出值进行比较的值。

数据层部200包括预处理部210以及分析部220，而分析部220包括聚类部221以及采样部223。

预处理部210用于对原始数据(rd)执行预处理。参照图4，预处理部210包括重建部211、过滤部213以及去除部215。

重建部211对数据中有异常信号的部分进行重建。

过滤部213通过基础知识算法按照特定条件对数据进行过滤。作为一实例，能够通过对特定时间内的uld输入值的变化进行观察而对满足特定条件的相应数据进行存储。作为另一实例，能够在uld输入值、nox、co等数值满足特定条件时对相应数据进行存储，而在不满足时可删除数据或对其值进行变更。此外，对于有异常的数据，能够对其数据进行去除。

去除部215用于对极端值(outlier)进行去除。即，去除部215能够按照不同的标记设定数据的上限以及下限值，并对超过上限值或不足下限值的数据进行去除。

聚类部221用于通过对标记之间的相关关系进行分析而对学习所需要的数据进行聚类并对不需要的标记进行去除。通过如上所述的聚类过程，能够删除不需要的标记信息并以有关联性的标记信息为基础对数据进行聚类，因此能够生成更加有效的学习数据。

聚类部221能够通过对数据的标记之间的相关关系进行分析而以相关关系信息为基础按照不同标记对相关关系为特定数值以上的标记进行聚类，并在对具有类似模式的标记进行聚类之后对作为输入值使用的标记以及与其对应的输出值的标记进行匹配。

参照图5，采样部223能够通过对按照不同标记聚类的数据进行采样而推导出学习数据。此时，采样部223以模式分析以及采样算法为基础生成神经网络(nn)模型的学习数据。为此，采样部223包括模式分析部223a以及数据采样部223b。

模式分析部223a通过以l2norm为基础对数据进行分析而推导出数据的模式。借此，数据采样部223b通过以所推导出的模式为基础利用采样算法对数据进行采样而生成学习数据(ld)。如上所述的所推导出的学习数据(ld)由供神经网络(nn：neuralnetwork)模型进行学习的输入值以及与输入值对应的目标值成对构成。

接下来，将对根据本发明之实施例的用于生成燃烧优化学习数据的方法进行详细的说明。图6至图8是用于对根据本发明之实施例的用于生成燃烧优化学习数据的方法进行说明的流程图。

首先，参照图6，在步骤s210，预处理部210对原始数据(rd)执行预处理。其中，原始数据(rd)包括与锅炉燃烧相关的当前测定到的实时数据以及与锅炉燃烧相关的历史测定到的历史数据。原始数据(rd)按照时间对系统的输入值以及与输入值对应的输出值进行累积并按照不同的标记进行分类采集。其中，标记表示数据的类型或属性。接下来，将结合图7对如上所述的步骤s210进行更加详细的说明。

参照图7，在步骤s310，重建部211对数据中有异常信号的部分进行重建。

接下来，在步骤s320，过滤部213通过基础知识算法按照特定条件对数据进行过滤。作为一实例，能够通过对特定时间内的uld输入值的变化进行观察而对满足特定条件的相应数据进行存储。作为另一实例，能够在uld输入值、nox、co等数值满足特定条件时对相应数据进行存储，而在不满足时可删除数据或对其值进行变更。此外，对于有异常的数据，能够对其数据进行去除。

此外，在步骤s330，去除部215对极端值(outlier)进行去除。此时，去除部215能够按照不同的标记设定数据的上限以及下限值，并对超过上限值或不足下限值的数据进行去除。

重新参照图6，在步骤s220，聚类部221通过对标记之间的相关关系进行分析而对学习所需要的数据进行聚类并对不需要的标记进行去除。通过如上所述的聚类过程，能够删除不需要的标记信息并以有关联性的标记信息为基础对数据进行聚类，因此能够生成更加有效的学习数据。此时，聚类部221能够通过对数据的标记之间的相关关系进行分析而以相关关系信息为基础按照不同标记对相关关系为特定数值以上的标记进行聚类，并在对具有类似模式的标记进行聚类之后对输入数据的标记以及与其对应的输出数据的标记进行匹配。

接下来，在步骤s230，采样部223通过对按照不同标记聚类的数据进行采样而推导出学习数据。此时，采样部223以模式分析以及采样算法为基础生成神经网络(nn)模型的学习数据。接下来，将结合图8对如上所述的步骤s230进行更加详细的说明。

参照图8，在步骤s410，采样部223的模式分析部223a通过以l2norm为基础对数据进行分析而推导出数据的模式。

借此，在步骤s420，采样部223的数据采样部223b通过以所推导出的模式为基础利用采样算法对数据进行采样而生成学习数据(ld)。如上所述的所推导出的学习数据(ld)由供神经网络(nn：neuralnetwork)模型进行学习的输入值以及与输入值对应的目标值成对构成。输入值是在学习时输入到神经网络(nn)的值，目标值是在学习时与输入值对应的用于与神经网络(nn)的输出值进行比较的值。

图9是对根据本发明之实施例的计算装置进行图示的示意图。图9中的计算装置tn100可以是在本说明书中记载的装置(例如用于生成学习数据的装置、燃烧优化装置等)。

在图9的实施例中，计算装置tn100能够包括至少一个处理器tn110、收发信装置tn120以及内存tn130。此外，计算装置tn100还能够包括存储装置tn140、输入接口装置tn150以及输出接口装置tn160等。包括于计算装置tn100中的构成要素能够通过总线(bus)tn170连接并在相互之间执行通信。

处理器tn110能够执行存储在内存tn130以及存储装置tn140中的至少一个的程序指令(programcommand)。处理器tn110可以是指如中央处理装置(cpu：centralprocessingunit)、图形处理装置(gpu：graphicsprocessingunit)或用于执行根据本发明之实施例的方法的专用处理器。处理器tn110能够构成为实现与本发明的实施例相关的步骤、功能以及方法等。处理器tn110能够对计算装置tn100的各个构成要素进行控制。

内存tn130以及存储装置tn140能够分别对与处理器tn110的动作相关的各种信息进行存储。内存tn130以及存储装置tn140能够分别由易失性存储介质以及非易失性存储介质中的至少一个构成。例如，内存tn130能够由只读存储器(rom：readonlymemory)以及随机访问存储器(ram：randomaccessmemory)中的至少一个构成。

收发信装置tn120能够对有线信号或无线信号进行发送或接收。收发信装置tn120能够通过连接到网络而执行通信。

此外，根据如上所述的本发明之实施例的各种方法，能够以可通过各种计算手段进行读取的程序形态实现并记录到计算机可读取的记录介质中。其中，记录介质能够单独或组合包括程序指令、数据文件以及数据结构等。记录在记录介质中的程序指令能够是为了本发明而特别设计的构成，也能够是计算机软件行业的相关人员可使用的公知构成。例如，记录介质能够包括如硬盘、软盘以及磁盘等磁介质(magneticmedia)、如cd-rom、dvd等光记录介质(opticalmedia)、如光磁软盘(flopticaldisk)等磁-光介质(magneto-opticalmedia)以及只读存储器(rom)、随机访问存储器(ram)、闪存等可对程序指令进行存储和执行的特殊构成的硬件装置。作为程序指令的实例，不仅包括利用编译器创建的机器指令，还包括能够通过解释程序等在计算机中执行的高级语言指令。如上所述的硬件装置能够为了执行本发明的动作而通过一个以上的软件模块工作，反之亦然。

在上述内容中对根据本发明的一实施例进行了说明，但是具有相关技术领域的一般知识的人员能够在不脱离权利要求书中所记载的本发明之思想的范围内，通过构成要素的附加、变更、删除或追加等对本发明进行各种修改以及变更，而这些修改以及变更也包括在本发明的权利要求范围之内。