一种炉膛氮氧化物生成浓度的预测方法和系统与流程

1.本技术涉及工业废气净化技术领域，特别是涉及一种炉膛氮氧化物生成浓度的预测方法和系统。


背景技术：

2.在当前煤电机组全面实现超低排放的大背景形势下，如何实现深度调峰下全工况低能耗氮氧化物控制已成为煤电清洁发展亟需解决的难题。
3.传统的氮氧化物控制是以脱硝出口氮氧化物浓度为核心调控变量，因化学反应自身在脱硝出口的延迟表征特性造成了喷氨调控整体的滞后，从而无法有效保证脱硝出口氮氧化物浓度的均匀性，无法实现各工况下的最佳喷氨量需求。由此引起的氨逃逸超标、空预器堵塞、催化剂磨损等问题已经严重制约了机组安全高效经济稳定运行。若想实现深度调峰下全工况低能耗氮氧化物控制排放，则需精准预测炉膛内氮氧化物生成浓度(脱硝入口氮氧化物浓度)作为喷氨控制的超前信号，从而实现氮氧化物的低能耗精准控制，而由于影响炉膛氮氧化物生成的因素十分复杂，利用物料守恒等原理建立足够精度的氮氧化物生成机理模型是不现实的。
4.目前针对相关技术中如何精准预测炉膛内氮氧化物生成浓度的问题，尚未提出有效的解决方案。


技术实现要素：

5.本技术实施例提供了一种炉膛氮氧化物生成浓度的预测方法和系统，以至少解决相关技术中如何精准预测炉膛内氮氧化物生成浓度的问题。
6.第一方面，本技术实施例提供了一种炉膛氮氧化物生成浓度的预测方法，所述方法包括：
7.选取电厂数据库中的历史数据，并进行数据预处理得到标准数据，其中，所述标准数据包括脱硝入口氮氧化物浓度数据和关联指标数据，关联指标影响炉膛氮氧化物的生成浓度；
8.采用灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法，分别对所述脱硝入口氮氧化物浓度数据与所述关联指标数据之间的影响度进行分析；
9.基于所述分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练；
10.实时采集机组运作中各关联指标的实时数据，通过训练好的组合模型预测氮氧化物的生成浓度。
11.在其中一些实施例中，选取电厂数据库中的历史数据，并进行数据预处理得到标准数据包括：
12.选取电厂数据库中预设时间段内的历史数据，将所述历史数据转化成机器学习建模所需要的的格式数据；
13.通过3δ原则法、箱型图分析法、z-score法、局部异常因子法剔除所述格式数据中的异常数据，得到标准数据。
14.在其中一些实施例中，采用灰度关联分析法，对所述脱硝入口氮氧化物浓度数据与所述关联指标数据之间的影响度进行分析包括：
15.采用灰度关联分析法，分析所述脱硝入口氮氧化物浓度数据与所述关联指标数据的非线性关系，得出氮氧化物生成浓度与各关联指标之间的关联度；
16.按所述关联度由高到低的顺序，对所述关联指标进行排序。
17.在其中一些实施例中，采用余弦相似度分析法，对所述脱硝入口氮氧化物浓度数据与所述关联指标数据之间的影响度进行分析包括：
18.采用余弦相似度分析法，分析所述脱硝入口氮氧化物浓度数据与所述关联指标数据间的相似度关系，得到氮氧化物生成浓度与各关联指标之间的相似度；
19.按所述相似度由高到低的顺序，对所述关联指标进行排序。
20.在其中一些实施例中，采用皮尔逊相关性分析法，对所述脱硝入口氮氧化物浓度数据与所述关联指标数据之间的影响度进行分析包括：
21.采用皮尔逊相关性分析法，分析所述脱硝入口氮氧化物浓度数据与所述关联指标数据的线性关系，得出氮氧化物生成浓度与各关联指标之间的相关性；
22.按所述相关性由高到低的顺序，对所述关联指标进行排序。
23.在其中一些实施例中，基于所述分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练包括：
24.基于灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法中一种或多种分析法的分析结果，对所述关联指标数据中第一关联指标进行筛选得到第二关联指标；
25.将所述第二关联指标对应的关联指标数据作为模型输入，采用网格搜索法对多模型集成的组合模型进行参数优化训练。
26.在其中一些实施例中，基于所述分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练还包括：
27.基于灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法中一种或多种分析法的分析结果，对所述关联指标数据中的各关联指标分别设置权重；
28.将基于所述权重加权后的关联指标数据作为模型输入，采用网格搜索法对多模型集成的组合模型进行参数优化训练。
29.在其中一些实施例中，采用网格搜索法对多模型集成的组合模型进行参数优化训练包括：
30.采用网格搜索法对组合模型中各个模型的弱学习器的最大迭代次数，以及特征划分的最大特征数，进行预设迭代次数的参数优化训练。
31.在其中一些实施例中，所述多模型集成的组合模型包含随机森林算法模型、lightgbm算法模型、xgboost算法模型、gru神经网络模型、bp神经网络模型和lstm记忆网络模型中的一种或多种。
32.第二方面，本技术实施例提供了一种炉膛氮氧化物生成浓度的预测系统，所述系统包括数据处理模块、数据分析模块、模型训练模块和浓度预测模块；
33.所述数据处理模块，用于选取电厂数据库中的历史数据，并进行数据预处理得到
标准数据，其中，所述标准数据包括脱硝入口氮氧化物浓度数据和关联指标数据，关联指标影响炉膛氮氧化物的生成浓度；
34.所述数据分析模块，用于采用灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法，分别对所述脱硝入口氮氧化物浓度数据与所述关联指标数据之间的影响度进行分析；
35.所述模型训练模块，用于基于所述分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练；
36.所述浓度预测模块，用于实时采集机组运作中各关联指标的实时数据，通过训练好的组合模型预测氮氧化物的生成浓度。
37.相比于相关技术，本技术实施例提供的一种炉膛氮氧化物生成浓度的预测方法和系统，该方法通过选取电厂数据库中的历史数据，并进行数据预处理得到标准数据，其中，标准数据包括脱硝入口氮氧化物浓度数据和关联指标数据，关联指标影响炉膛氮氧化物的生成浓度；采用灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法，对脱硝入口氮氧化物浓度数据与关联指标数据之间的影响度进行分析；基于分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练；实时采集机组运作中各关联指标的实时数据，通过训练好的组合模型预测氮氧化物的生成浓度，解决了如何精准预测炉膛内氮氧化物生成浓度的问题，实现了对氮氧化物生成浓度的实时精准预测，从而确定实时工况条件下的最佳喷氨量，进而对氮氧化物进行低能耗精准控制。
附图说明
38.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
39.图1是根据本技术实施例的炉膛氮氧化物生成浓度预测方法的步骤流程图；
40.图2是根据本技术实施例的炉膛氮氧化物生成浓度预测系统的结构框图；
41.图3是根据本技术实施例的电子设备的内部结构示意图。
42.附图说明：21、数据处理模块；22、数据分析模块；23、模型训练模块； 24、浓度预测模块。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
44.显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
45.在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
46.除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在 a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
47.本技术实施例提供了一种炉膛氮氧化物生成浓度的预测方法，图1是根据本技术实施例的炉膛氮氧化物生成浓度预测方法的步骤流程图，如图1所示，该方法包括以下步骤：
48.步骤s102，选取电厂数据库中的历史数据，并进行数据预处理得到标准数据，其中，标准数据包括脱硝入口氮氧化物浓度数据和关联指标数据，关联指标影响炉膛氮氧化物的生成浓度；
49.具体地，选取电厂数据库中预设时间段内(如2020/01/01-2020/08/31)的历史数据，将历史数据通过spark、hbase等大数据技术转化成机器学习建模所需要的的格式数据；通过3δ原则法、箱型图分析法、z-score法、局部异常因子法剔除格式数据中的异常数据，得到标准数据。
50.优选地，通过3δ原则法剔除异常数据，数据需要服从正态分布，在3δ原则下，数据值如超过3倍标准差，那么可以将其视为异常值。正负3δ的概率是 99.7％，那么距离平均值3δ之外的值出现的概率为p(|x-u|3δ)＝0.003，属于极个别的小概率事件。一组测定值中与平均值的偏差超过两倍标准差的测定值。与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值；处理数据时应剔除高度异常的异常值；若数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。
51.优选地，通过箱型图分析法剔除异常数据，箱型图提供了识别异常值的一个标准：异常值通常被定义为小于(ql－1.5iqr)或大于(qu+1.5iqr)的值，其中，ql称为下四分位数，表示全部观察值中有四分之一的数据取值比它小； qu称为上四分位数，表示全部观察值中有四分之一的数据取值比它大；iqr称为四分位数间距，是上四分位数qu与下四分位数ql之差，其间包含了全部观察值的一半。箱型图依据实际数据绘制，没有对数据作任何限制性要求(如服从某种特定的分布形式)，它只是真实直观地表现数据分布的本来面貌；另一
方面，箱型图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的鲁棒性：多达25％的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不能对这个标准施加影响，由此可见，箱型图识别异常值的结果比较客观，在识别异常值方面有一定的优越性，
52.优选地，通过z-score法剔除异常数据，z-score是一维或低维特征空间中的参数异常检测方法。该技术假定数据服从高斯分布，异常值是分布尾部的数据点，因此远离数据的平均值。距离的远近取决于使用公式计算的归一化数据点 zi的设定阈值zthr；
[0053][0054]
其中，xi是一个数据点，μ是所有点xi的平均值，δ是所有点xi的标准偏差。zthr一般设置为2.5、3.0或3.5，归一化后绝对值大于zthr的数据为异常数据(|zi|＞z
thr
)。
[0055]
优选地，通过局部异常因子法剔除异常数据，局部异常因子lof通过计算一个数值score来反映一个样本的异常程度。这个数值的大致意思是：一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度。比值越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。
[0056]
需要说明的是，关联指标数据指的是关联指标的数据，此处的关联指标包括锅炉负荷、炉膛负压、再热汽压、再热汽温、给水流量、给水温度、总燃料量、磨煤机a一次风量、磨煤机a一次风量、磨煤机b一次风量、磨煤机b一次风量、磨煤机c一次风量、磨煤机c一次风量、磨煤机a侧热风温度、磨煤机a侧热风温度、磨煤机b侧热风温度、磨煤机b侧热风温度、磨煤机c侧热风温度、磨煤机c侧热风温度、磨煤机a中煤粉温度、磨煤机a中煤粉温度、磨煤机b中煤粉温度、磨煤机b中煤粉温度、磨煤机c中煤粉温度、磨煤机c 中煤粉温度、ccofa风量、sofa-a、sofa-b、sofa-c、一次风a侧冷风流量、一次风a侧热风流量、一次风b侧冷风流量、一次风b侧热风流量、二次空气温度a、二次空气温度b、烟道气a的氧气浓度、烟道气b的氧气浓度、给煤机a给煤量、给煤机b给煤量、给煤机c给煤量、燃烧器主喷嘴摆动角度等41个关联指标；此处的脱硝法为选择性催化还原法(selective catalyticreduction，scr脱硝)，是目前国际上应用最为广泛的烟气脱硝技术，通常采用氨(nh3)作为还原剂将脱硝入口氮氧化物浓度(即炉膛氮氧化物生成浓度) 选择性地还原成n2。
[0057]
步骤s104，采用灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法，分别对脱硝入口氮氧化物浓度数据与关联指标数据之间的影响度进行分析；
[0058]
具体地，采用灰度关联分析法，分析脱硝入口氮氧化物浓度数据与关联指标数据的非线性关系，得出氮氧化物生成浓度与各关联指标之间的关联度；按关联度由高到低的顺序，对关联指标进行排序。
[0059]
优选地，采用灰度关联分析法，从上述41个关联指标中，得出磨煤机b中煤粉温度、二次空气温度a、二次空气温度b、磨煤机b中煤粉温度、磨煤机b 一次风量等5个关联指标与氮氧化物生成浓度的关联度较大，灰度关联系数分别为0.944067、0.944056、0.944046、0.943511、0.94324。
[0060]
具体地，采用余弦相似度分析法，分析脱硝入口氮氧化物浓度数据与关联指标数据间的相似度关系，得到氮氧化物生成浓度与各关联指标之间的相似度；按相似度由高到
低的顺序，对关联指标进行排序
[0061]
优选地，采用余弦相似度分析法，从上述41个关联指标中，得出锅炉负荷、再热汽压、再热汽温、给水流量、给水温度、总燃料量、磨煤机a一次风量、磨煤机a一次风量、磨煤机b一次风量、磨煤机b一次风量、磨煤机c一次风量、磨煤机c一次风量、磨煤机a侧热风温度、磨煤机a侧热风温度、磨煤机 b侧热风温度、磨煤机b侧热风温度、磨煤机a中煤粉温度、磨煤机a中煤粉温度、磨煤机b中煤粉温度、磨煤机b中煤粉温度、磨煤机c中煤粉温度、磨煤机c中煤粉温度、一次风a侧冷风流量、一次风a侧热风流量、一次风b侧冷风流量、一次风b侧热风流量、二次空气温度a、二次空气温度b、烟道气a 的氧气浓度、烟道气b的氧气浓度、给煤机a给煤量、给煤机b给煤量、给煤机c给煤量等33个关联指标与氮氧化物生成浓度的相似度较大，相似度均在 0.95以上。
[0062]
具体地，采用皮尔逊相关性分析法，分析脱硝入口氮氧化物浓度数据与关联指标数据的线性关系，得出氮氧化物生成浓度与各关联指标之间的相关性；按相关性由高到低的顺序，对关联指标进行排序。
[0063]
优选地，采用皮尔逊相关性分析法，得出氮氧化物生成浓度与41个关联指标之间的相关性均较小，说明入口nox生成浓度与关联指标不存在明显的线性关系。
[0064]
步骤s106，基于分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练；
[0065]
可选地，基于灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法中一种或多种分析法的分析结果，对关联指标数据中第一关联指标进行筛选得到第二关联指标；将第二关联指标对应的关联指标数据作为模型输入，采用网格搜索法对多模型集成的组合模型进行参数优化训练。
[0066]
优选地，基于灰度关联分析法，从41个关联指标中得出5个灰度关联度较大的关联指标，将该5个关联指标的对应的数据作为模型输入；或者基于灰度关联分析法得出5个关联指标，基于余弦相似度分析法得出31个关联指标，彼此取交集/并集作为模型输入等等。
[0067]
可选地，基于灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法中一种或多种分析法的分析结果，对关联指标数据中的各关联指标分别设置权重；将基于权重加权后的关联指标数据作为模型输入，采用网格搜索法对多模型集成的组合模型进行参数优化训练。
[0068]
优选地，基于灰度关联分析法得出关联指标与nox生成浓度的关联度，基于余弦相似度分析法得出关联指标与nox生成浓度的相似度，基于皮尔逊相关性分析法得出关联指标与nox生成浓度的相关性；根据关联度对各关联指标分别设置权重，将基于权重加权后的关联指标数据作为模型输入；或者综合关联度和相似度对各关联指标分别设置权重，将基于权重加权后的关联指标数据作为模型输入等等。
[0069]
需要指出的是，本实施例中多模型集成的组合模型包含随机森林算法模型、 lightgbm算法模型、xgboost算法模型、gru神经网络模型、bp神经网络模型和lstm记忆网络模型中的一种或多种。
[0070]
具体地，采用网格搜索法对组合模型中各个模型的弱学习器的最大迭代次数，以及特征划分的最大特征数，进行预设迭代次数的参数优化训练。
[0071]
优选地，多模型集成的组合模型包含随机森林算法模型和lightgbm算法模型，采
用网格搜索法对随机森林和lightgbm的4个参数进行优化，总计迭代500次，得到最优参数，同时将训练好的模型进行保存，以此作为实时调度计算模型。
[0072]
需要说明的是，相较于单一的随机森林模型，随机森林模型和lightgbm模型集成的组合模型，模型鲁棒性更好；双模型组合预测，根据两个模型预测效果，调整两个模型预测结果权重值，使模型预测准确度达到最高。
[0073]
步骤s108，实时采集机组运作中各关联指标的实时数据，通过训练好的组合模型预测氮氧化物的生成浓度。
[0074]
通过本技术实施例中的步骤s102至步骤s108，对电厂dcs数据库中的数据进行了采集、清洗、对齐及相关预处理，保证了数据安全的同时保证了数据的质量。利用spark、hbase等大数据技术将数据转化为机器学习建模所需要的格式。在建模前通过3δ法则、局部异常因子检测等方法进行数据预处理，利用相关性分析、互信息、灰色关联度分析等方法进行指标间影响因素分析，大大提高了模型的输入参数选择的准确性，对模型预测精准度起到了很好的支撑作用，解决了如何精准预测炉膛内氮氧化物生成浓度的问题，实现了对氮氧化物生成浓度的实时精准预测，从而确定实时工况条件下的最佳喷氨量，进而对氮氧化物进行低能耗精准控制。
[0075]
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0076]
本技术实施例提供了一种炉膛氮氧化物生成浓度的预测系统，图2是根据本技术实施例的炉膛氮氧化物生成浓度预测系统的结构框图，如图2所示，该系统包括数据处理模块21、数据分析模块22、模型训练模块23和浓度预测模块24；
[0077]
数据处理模块21，用于选取电厂数据库中的历史数据，并进行数据预处理得到标准数据，其中，标准数据包括脱硝入口氮氧化物浓度数据和关联指标数据，关联指标影响炉膛氮氧化物的生成浓度；
[0078]
数据分析模块22，用于采用灰度关联分析法、余弦相似度分析法和皮尔逊相关性分析法，分别对脱硝入口氮氧化物浓度数据与关联指标数据之间的影响度进行分析；
[0079]
模型训练模块23，用于基于分析后的标准数据，采用网格搜索法对多模型集成的组合模型进行参数优化训练；
[0080]
浓度预测模块24，用于实时采集机组运作中各关联指标的实时数据，通过训练好的组合模型预测氮氧化物的生成浓度。
[0081]
通过本技术实施例中的数据处理模块21、数据分析模块22、模型训练模块 23和浓度预测模块24，对电厂dcs数据库中的数据进行了采集、清洗、对齐及相关预处理，保证了数据安全的同时保证了数据的质量。利用spark、hbase 等大数据技术将数据转化为机器学习建模所需要的格式。在建模前通过3δ法则、局部异常因子检测等方法进行数据预处理，利用相关性分析、互信息、灰色关联度分析等方法进行指标间影响因素分析，大大提高了模型的输入参数选择的准确性，对模型预测精准度起到了很好的支撑作用，解决了如何精准预测炉膛内氮氧化物生成浓度的问题，实现了对氮氧化物生成浓度的实时精准预测，从而确定实时工况条件下的最佳喷氨量，进而对氮氧化物进行低能耗精准控制。
[0082]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软
件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0083]
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0084]
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
[0085]
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0086]
另外，结合上述实施例中的炉膛氮氧化物生成浓度的预测方法，本技术实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种炉膛氮氧化物生成浓度的预测方法。
[0087]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种炉膛氮氧化物生成浓度的预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0088]
在一个实施例中，图3是根据本技术实施例的电子设备的内部结构示意图，如图3所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图3所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种炉膛氮氧化物生成浓度的预测方法，数据库用于存储数据。
[0089]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0090]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程 rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限， ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步 dram(sdram)、双数据率sdram(ddrsdram)、
增强型sdram (esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus) 直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0091]
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0092]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。