本技術(shù)涉及等離子體，尤其涉及氧氣調(diào)控方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、在等離子體設(shè)備鍋爐的運(yùn)行過程中，鍋爐氧含量是衡量其運(yùn)行狀態(tài)和效率的重要指標(biāo)之一。當(dāng)氧含量處于合理區(qū)間時(shí)，燃料與氧氣可以充分接觸并發(fā)生化學(xué)反應(yīng)，使得燃料中的化學(xué)能最大限度地轉(zhuǎn)化為熱能，從而確保燃料在鍋爐內(nèi)充分燃燒；若氧含量過高，過量的空氣進(jìn)入爐膛會(huì)帶走大量的熱量，同樣也會(huì)使鍋爐的熱效率降低，增加能源消耗。同時(shí)，合適的氧含量能避免因燃燒不正常產(chǎn)生的局部高溫，防止受熱面出現(xiàn)熱應(yīng)力過大等損壞問題，延長(zhǎng)鍋爐設(shè)備的使用壽命，保障其可靠運(yùn)行。因此，及時(shí)準(zhǔn)確地調(diào)控鍋爐氧含量，對(duì)于保障鍋爐的安全高效運(yùn)行至關(guān)重要。

2、傳統(tǒng)地，常用的鍋爐氧氣調(diào)控方法通常是依賴于人工設(shè)置和經(jīng)驗(yàn)調(diào)節(jié)，但是該過程缺乏實(shí)時(shí)監(jiān)控和精準(zhǔn)反饋，導(dǎo)致鍋爐在運(yùn)行過程中氧氣供應(yīng)不足或過多，從而影響燃燒效率。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，為此，本技術(shù)第一方面提出一種氧氣調(diào)控方法，該方法包括：

2、獲取實(shí)時(shí)采集到的目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)；

3、將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中進(jìn)行處理，生成鍋爐燃燒的氧氣需求量的預(yù)測(cè)值；其中，預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型是由多頭自注意力機(jī)制模塊、卷積神經(jīng)網(wǎng)絡(luò)、擴(kuò)散模型層和時(shí)間序列模型層構(gòu)建得到的；

4、基于鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，計(jì)算得到鍋爐各區(qū)域的目標(biāo)氧氣輸送量；

5、基于目標(biāo)氧氣輸送量，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整。

6、在一種可能的實(shí)施方式中，將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中進(jìn)行處理，生成鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，包括：

7、將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中，通過預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型的多頭自注意力機(jī)制模塊對(duì)目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)進(jìn)行處理，得到處理結(jié)果；

8、通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)處理結(jié)果進(jìn)行局部特征提取，得到局部特征信息；

9、通過擴(kuò)散模型層對(duì)局部特征信息進(jìn)行去噪聲處理，得到去噪特征信息；

10、通過時(shí)間序列模型層對(duì)去噪特征信息進(jìn)行預(yù)測(cè)處理，輸出鍋爐燃燒的氧氣需求量的預(yù)測(cè)值。

11、在一種可能的實(shí)施方式中，通過預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型的多頭自注意力機(jī)制模塊對(duì)目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)進(jìn)行處理，得到處理結(jié)果，包括：

12、通過預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型的多頭自注意力機(jī)制模塊分別對(duì)目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)進(jìn)行線性變換處理，生成查詢矩陣、鍵矩陣和值矩陣；

13、基于查詢矩陣、鍵矩陣及鍵矩陣的維度，計(jì)算注意力權(quán)重矩陣；

14、基于注意力權(quán)重矩陣及值矩陣，計(jì)算注意力得分；

15、對(duì)各頭自注意力機(jī)制模塊對(duì)應(yīng)的注意力得分進(jìn)行拼接及線性變換處理，得到處理結(jié)果。

16、在一種可能的實(shí)施方式中，通過擴(kuò)散模型層對(duì)局部特征信息進(jìn)行去噪聲處理，得到去噪特征信息，包括：

17、通過擴(kuò)散模型層中的前向擴(kuò)散層對(duì)局部特征信息進(jìn)行加噪聲處理，得到加噪特征信息；

18、通過擴(kuò)散模型層中的后向生成層基于加噪特征信息估計(jì)每個(gè)時(shí)刻的隱藏狀態(tài)，得到去噪特征信息。

19、在一種可能的實(shí)施方式中，基于鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，計(jì)算得到鍋爐各區(qū)域的目標(biāo)氧氣輸送量，包括：

20、獲取初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重、各鍋爐區(qū)域?qū)?yīng)的優(yōu)先級(jí)及各鍋爐區(qū)域?qū)?yīng)的需求權(quán)重；

21、針對(duì)各鍋爐區(qū)域，基于初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重及鍋爐區(qū)域?qū)?yīng)的需求權(quán)重，計(jì)算得到目標(biāo)氧氣輸送量。

22、在一種可能的實(shí)施方式中，基于初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重及鍋爐區(qū)域?qū)?yīng)的需求權(quán)重，計(jì)算得到目標(biāo)氧氣輸送量，包括：

23、基于初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重，計(jì)算校正后的氧氣輸送量；

24、基于校正后的氧氣輸送量及鍋爐區(qū)域?qū)?yīng)的需求權(quán)重，計(jì)算得到鍋爐區(qū)域?qū)?yīng)的優(yōu)先級(jí)分?jǐn)?shù)；

25、基于優(yōu)先級(jí)分?jǐn)?shù)及預(yù)設(shè)總氧氣供應(yīng)量，計(jì)算得到目標(biāo)氧氣輸送量。

26、在一種可能的實(shí)施方式中，基于目標(biāo)氧氣輸送量，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整，包括：

27、基于目標(biāo)氧氣輸送量及初始鍋爐運(yùn)行參數(shù)，計(jì)算得到調(diào)控策略矩陣；

28、基于調(diào)控策略矩陣，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整。

29、本技術(shù)第二方面提出一種氧氣調(diào)控裝置，該裝置包括：

30、獲取模塊，用于獲取實(shí)時(shí)采集到的目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)；

31、生成模塊，用于將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中進(jìn)行處理，生成鍋爐燃燒的氧氣需求量的預(yù)測(cè)值；其中，預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型是由多頭自注意力機(jī)制模塊、卷積神經(jīng)網(wǎng)絡(luò)、擴(kuò)散模型層和時(shí)間序列模型層構(gòu)建得到的；

32、計(jì)算模塊，用于基于鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，計(jì)算得到鍋爐各區(qū)域的目標(biāo)氧氣輸送量；

33、調(diào)整模塊，用于基于目標(biāo)氧氣輸送量，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整。

34、在一種可能的實(shí)施方式中，上述生成模塊具體用于：

35、將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中，通過預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型的多頭自注意力機(jī)制模塊對(duì)目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)進(jìn)行處理，得到處理結(jié)果；

36、通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)處理結(jié)果進(jìn)行局部特征提取，得到局部特征信息；

37、通過擴(kuò)散模型層對(duì)局部特征信息進(jìn)行去噪聲處理，得到去噪特征信息；

38、通過時(shí)間序列模型層對(duì)去噪特征信息進(jìn)行預(yù)測(cè)處理，輸出鍋爐燃燒的氧氣需求量的預(yù)測(cè)值。

39、在一種可能的實(shí)施方式中，上述生成模塊還用于：

40、通過預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型的多頭自注意力機(jī)制模塊分別對(duì)目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)進(jìn)行線性變換處理，生成查詢矩陣、鍵矩陣和值矩陣；

41、基于查詢矩陣、鍵矩陣及鍵矩陣的維度，計(jì)算注意力權(quán)重矩陣；

42、基于注意力權(quán)重矩陣及值矩陣，計(jì)算注意力得分；

43、對(duì)各頭自注意力機(jī)制模塊對(duì)應(yīng)的注意力得分進(jìn)行拼接及線性變換處理，得到處理結(jié)果。

44、在一種可能的實(shí)施方式中，上述生成模塊還用于：

45、通過擴(kuò)散模型層中的前向擴(kuò)散層對(duì)局部特征信息進(jìn)行加噪聲處理，得到加噪特征信息；

46、通過擴(kuò)散模型層中的后向生成層基于加噪特征信息估計(jì)每個(gè)時(shí)刻的隱藏狀態(tài)，得到去噪特征信息。

47、在一種可能的實(shí)施方式中，上述計(jì)算模塊具體用于：

48、獲取初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重、各鍋爐區(qū)域?qū)?yīng)的優(yōu)先級(jí)及各鍋爐區(qū)域?qū)?yīng)的需求權(quán)重；

49、針對(duì)各鍋爐區(qū)域，基于初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重及鍋爐區(qū)域?qū)?yīng)的需求權(quán)重，計(jì)算得到目標(biāo)氧氣輸送量。

50、在一種可能的實(shí)施方式中，上述計(jì)算模塊還用于：

51、基于初始鍋爐運(yùn)行參數(shù)、預(yù)設(shè)校正系數(shù)、初始鍋爐運(yùn)行參數(shù)權(quán)重，計(jì)算校正后的氧氣輸送量；

52、基于校正后的氧氣輸送量及鍋爐區(qū)域?qū)?yīng)的需求權(quán)重，計(jì)算得到鍋爐區(qū)域?qū)?yīng)的優(yōu)先級(jí)分?jǐn)?shù)；

53、基于優(yōu)先級(jí)分?jǐn)?shù)及預(yù)設(shè)總氧氣供應(yīng)量，計(jì)算得到目標(biāo)氧氣輸送量。

54、在一種可能的實(shí)施方式中，上述調(diào)整模塊具體用于：

55、基于目標(biāo)氧氣輸送量及初始鍋爐運(yùn)行參數(shù)，計(jì)算得到調(diào)控策略矩陣；

56、基于調(diào)控策略矩陣，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整。

57、第三方面，本發(fā)明提供一種使用等離子體加熱的設(shè)備，包括：

58、控制器；

59、用于存儲(chǔ)所述控制器可執(zhí)行指令的存儲(chǔ)器；

60、其中，所述控制器被配置為執(zhí)行所述指令，以實(shí)現(xiàn)上述任一項(xiàng)所述的氧氣調(diào)控方法。

61、第四方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，該存儲(chǔ)介質(zhì)中存儲(chǔ)有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由處理器加載并執(zhí)行以實(shí)現(xiàn)上述任一項(xiàng)所述的氧氣調(diào)控方法。

62、本技術(shù)實(shí)施例具有以下有益效果：

63、本技術(shù)實(shí)施例提供的氧氣調(diào)控方法、裝置、設(shè)備及介質(zhì)，該方法包括：獲取實(shí)時(shí)采集到的目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)，將目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)輸入至預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型中進(jìn)行處理，生成鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，其中，預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型是由多頭自注意力機(jī)制模塊、卷積神經(jīng)網(wǎng)絡(luò)、擴(kuò)散模型層和時(shí)間序列模型層構(gòu)建得到的，基于鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，計(jì)算得到鍋爐各區(qū)域的目標(biāo)氧氣輸送量，基于目標(biāo)氧氣輸送量，對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整。本方案通過基于實(shí)時(shí)采集到的目標(biāo)煤質(zhì)數(shù)據(jù)及目標(biāo)鍋爐運(yùn)行參數(shù)動(dòng)態(tài)調(diào)整氧氣輸送量，實(shí)現(xiàn)點(diǎn)火過程中的最佳氧氣控制及燃燒過程中的穩(wěn)燃優(yōu)化；另外，通過基于預(yù)設(shè)深度學(xué)習(xí)預(yù)測(cè)模型能夠準(zhǔn)確生成鍋爐燃燒的氧氣需求量的預(yù)測(cè)值，進(jìn)而可以準(zhǔn)確計(jì)算得到鍋爐各區(qū)域的目標(biāo)氧氣輸送量并對(duì)鍋爐各區(qū)域的原始氧氣輸送量進(jìn)行調(diào)整，從而能夠顯著提高氧氣使用效率，在降低鍋爐運(yùn)行成本的同時(shí)，還能夠提高燃燒穩(wěn)定性和效率，適用于多種燃煤鍋爐和復(fù)雜工況場(chǎng)景。