超临界火电机组主蒸汽温度自适应控制方法及相关装置

专利名称：超临界火电机组主蒸汽温度自适应控制方法及相关装置

专利类型：发明专利

专利申请号：CN202311630148.9

专利申请（专利权）人：贵溪发电有限责任公司
权利人地址：江西省鹰潭市贵溪市雄石路41号

专利发明（设计）人：尚家华,唐亮,王焕敏,徐义军

专利摘要：本发明属于燃煤发电领域，公开了一种超临界火电机组主蒸汽温度自适应控制方法及相关装置，包括获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算期望信号和输出信号的误差信号组；根据误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；根据误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。具有更高的精度和适应能力，能够满足大惯性、大延迟和非线性时变的主蒸汽温度控制需求。

主权利要求：
1.一种超临界火电机组主蒸汽温度自适应控制方法，其特征在于，包括：
获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组；
根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；
将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；
根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号；
所述预训练的基于树突神经网络模型的神经网络控制参数模型通过下述方式得到：
构建树突神经网络模型；并获取大型超临界火电机组主蒸汽温度的当前训练时刻的期望信号和训练输出信号，并根据当前训练时刻的期望信号和训练输出信号得到当前训练时刻的误差信号组；
将当前训练时刻的误差信号组输入至树突神经网络模型中，得到PID控制器的当前训练时刻的神经网络控制参数；以及根据当前训练时刻的误差信号组，通过模糊控制方法得到PID控制器的当前训练时刻的模糊控制参数，将PID控制器的当前训练时刻的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到当前训练时刻的自适应PID控制器；
根据当前训练时刻的误差信号组，通过当前训练时刻的自适应PID控制器得到大型超临界火电机组主蒸汽温度的训练控制信号并应用，得到大型超临界火电机组主蒸汽温度下一训练时刻的输出信号；
获取大型超临界火电机组主蒸汽温度下一训练时刻期望信号，并根据大型超临界火电机组主蒸汽温度下一训练时刻的输出信号和期望信号，得到下一训练时刻的误差信号组，并根据下一训练时刻的误差信号组优化树突神经网络模型；
重复上述步骤至下一训练时刻的输出信号和期望信号之间的误差满足预设的误差阈值时，将最终的树突神经网络模型作为神经网络控制参数模型。
2.根据权利要求1所述的超临界火电机组主蒸汽温度自适应控制方法，其特征在于，所述根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数包括：通过预设的隶属度函数求解所述误差信号组的隶属度，得到误差信号组相对于各预设的模糊子集的隶属度；
基于误差信号组相对于各预设的模糊子集的隶属度，通过预设的模糊控制表进行模糊推理，得到PID控制器的模糊控制参数的模糊量；
使用加权平均法对PID控制器的模糊控制参数的模糊量进行反模糊化，得到PID控制器的模糊控制参数。
3.根据权利要求1所述的超临界火电机组主蒸汽温度自适应控制方法，其特征在于，所述将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器包括：通过下式将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和：
其中，α1，α2和α3均为自适应权重参数，取值范围均在0到1之间；kP为自适应PID控制器的比例增益参数，kI为自适应PID控制器的积分增益参数，kD为自适应PID控制器的微分增益参数； 为PID控制器的模糊控制参数中的比例增益参数， 为PID控制器的模糊控制参数中的积分增益参数， 为PID控制器的模糊控制参数中的微分增益参数； 为PID控制器的神经网络控制参数中的比例增益参数， 为PID控制器的神经网络控制参数中的积分增益参数， 为PID控制器的神经网络控制参数中的微分增益参数。
4.根据权利要求3所述的超临界火电机组主蒸汽温度自适应控制方法，其特征在于，所述α1，α2和α3均根据PID控制器的模糊控制参数、PID控制器的神经网络控制参数和误差信号组，通过基于强化学习的Actor‑Critic网络模型得到。
5.根据权利要求1所述的超临界火电机组主蒸汽温度自适应控制方法，其特征在于，所述根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号包括：根据所述误差信号组，通过下式得到大型超临界火电机组主蒸汽温度的控制信号：其中，u0(k)为k时刻大型超临界火电机组主蒸汽温度的控制信号，error(k)为k时刻的误差信号组，error(k‑1)为k‑1时刻的误差信号组，kP为自适应PID控制器的比例增益参数，kI为自适应PID控制器的积分增益参数，kD为自适应PID控制器的微分增益参数。
6.一种大型超临界火电机组主蒸汽温度控制系统，其特征在于，包括：
信号处理模块，用于获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组；
参数确定模块，用于根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；
自适应加权模块，用于将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；
控制模块，用于根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号；
所述预训练的基于树突神经网络模型的神经网络控制参数模型通过下述方式得到：
构建树突神经网络模型；并获取大型超临界火电机组主蒸汽温度的当前训练时刻的期望信号和训练输出信号，并根据当前训练时刻的期望信号和训练输出信号得到当前训练时刻的误差信号组；
将当前训练时刻的误差信号组输入至树突神经网络模型中，得到PID控制器的当前训练时刻的神经网络控制参数；以及根据当前训练时刻的误差信号组，通过模糊控制方法得到PID控制器的当前训练时刻的模糊控制参数，将PID控制器的当前训练时刻的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到当前训练时刻的自适应PID控制器；
根据当前训练时刻的误差信号组，通过当前训练时刻的自适应PID控制器得到大型超临界火电机组主蒸汽温度的训练控制信号并应用，得到大型超临界火电机组主蒸汽温度下一训练时刻的输出信号；
获取大型超临界火电机组主蒸汽温度下一训练时刻期望信号，并根据大型超临界火电机组主蒸汽温度下一训练时刻的输出信号和期望信号，得到下一训练时刻的误差信号组，并根据下一训练时刻的误差信号组优化树突神经网络模型；
重复上述步骤至下一训练时刻的输出信号和期望信号之间的误差满足预设的误差阈值时，将最终的树突神经网络模型作为神经网络控制参数模型。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至
5任一项所述超临界火电机组主蒸汽温度自适应控制方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述超临界火电机组主蒸汽温度自适应控制方法的步骤。 说明书 : 超临界火电机组主蒸汽温度自适应控制方法及相关装置技术领域[0001] 本发明属于燃煤发电领域，涉及一种超临界火电机组主蒸汽温度自适应控制方法及相关装置。背景技术[0002] 作为一种高效、高温、高压的燃煤发电机组，大型超临界火电机组具备装机容量大、自动化程度高、运行参数高、热效率高、煤耗低等优点。该技术已经成为火力发电厂发展的主导趋势，它在提升发电效率的同时，能有效地控制煤燃烧产生的有害气体(如SO2和NOx等)，进而降低对环境的影响。在超临界状态下，锅炉的工作压力和温度等参数远超一般工况。尽管在这种环境下运行的机组能显著提升发电效率，但高温高压的严酷环境也会增加整个系统的脆弱性和控制难度。其中，当超临界火电机组在大范围内调峰时，对主蒸汽温度的调控显得尤为重要。[0003] 然而，超临界火电机组主蒸汽温度的控制面临巨大的挑战。这是因为直流锅炉设备繁多，它们通过串联或并联方式相互连接，每个设备的微小扰动都可能引发相邻设备的响应，进而对整个锅炉系统产生影响。例如，在风烟系统中，引风机的运行发生变化可能导致炉膛负压波动和过量空气系统的变化，进而引起主蒸汽温度偏差。因此，直流锅炉可以被看作是复杂的一个多输入多输出的控制对象，由于强参数耦合作用，一个输入变化可能引起多个输出量变化，这使得直流锅炉动态特性复杂，控制对象呈现出大惯性、时变和非线性特性，增加了控制的难度。[0004] 目前，在超临界火电机组中，喷水减温系统作为超临界火电机组的主蒸汽温度控制系统的重要组成部分发挥着关键作用，能够有效地减轻多数情况下的干扰。传统的蒸汽温度控制方法主要依赖于PID(Proportion‑Integration‑Differentiation，比例‑积分‑微分)算法。其中，比例控制器P通过将偏差(实际值与期望值之间的差异)乘以系数来生成输出，从而影响系统的响应速度，积分控制器I通过对累积偏差进行积分来生成输出，从而纠正系统中的稳态误差，微分控制器D通过对偏差的变化率进行微分来生成输出，有效地抑制系统响应中的过度调整或振荡。然而，主蒸汽温度控制系统的基本原理是利用减温水干扰的较慢响应来抵消过热器更快的热吸收干扰。被控对象具有非线性、高惯性和显著的时间延迟特性，传统PID控制方法经常无法达到所期望的控制质量水平。虽然级联PID策略可以在内环中预处理干扰和温度变化，以一定程度上解决高惯性系统的响应速度问题，但这些传统方法在获取最优控制参数和处理模型参数干扰方面存在困难。面对火电厂中过热蒸汽温度对象的显著时间延迟特性和随机负荷波动引起的模型参数干扰，其性能表现不佳，在各种工况下实现高精度的控制质量是一个巨大的挑战。发明内容[0005] 本发明的目的在于克服上述现有技术的缺点，提供一种超临界火电机组主蒸汽温度自适应控制方法及相关装置。[0006] 为达到上述目的，本发明采用以下技术方案予以实现：[0007] 本发明第一方面，提供一种超临界火电机组主蒸汽温度自适应控制方法，包括：获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组；根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。[0008] 可选的，所述根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数包括：通过预设的隶属度函数求解所述误差信号组的隶属度，得到误差信号组相对于各预设的模糊子集的隶属度；基于误差信号组相对于各预设的模糊子集的隶属度，通过预设的模糊控制表进行模糊推理，得到PID控制器的模糊控制参数的模糊量；使用加权平均法对PID控制器的模糊控制参数的模糊量进行反模糊化，得到PID控制器的模糊控制参数。[0009] 可选的，所述预训练的基于树突神经网络模型的神经网络控制参数模型通过下述方式得到：构建树突神经网络模型；并获取大型超临界火电机组主蒸汽温度的当前训练时刻的期望信号和训练输出信号，并根据当前训练时刻的期望信号和训练输出信号得到当前训练时刻的误差信号组；将当前训练时刻的误差信号组输入至树突神经网络模型中，得到PID控制器的当前训练时刻的神经网络控制参数；以及根据当前训练时刻的误差信号组，通过模糊控制方法得到PID控制器的当前训练时刻的模糊控制参数，将PID控制器的当前训练时刻的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到当前训练时刻的自适应PID控制器；根据当前训练时刻的误差信号组，通过当前训练时刻的自适应PID控制器得到大型超临界火电机组主蒸汽温度的训练控制信号并应用，得到大型超临界火电机组主蒸汽温度下一训练时刻的输出信号；获取大型超临界火电机组主蒸汽温度下一训练时刻期望信号，并根据大型超临界火电机组主蒸汽温度下一训练时刻的输出信号和期望信号，得到下一训练时刻的误差信号组，并根据下一训练时刻的误差信号组优化树突神经网络模型；重复上述步骤至下一训练时刻的输出信号和期望信号之间的误差满足预设的误差阈值时，将最终的树突神经网络模型作为神经网络控制参数模型。[0010] 可选的，所述将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器包括：通过下式将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和：[0011][0012] 其中，α1，α2和α3均为自适应权重参数，取值范围均在0到1之间；kP为自适应PID控制器的比例增益参数，kI为自适应PID控制器的积分增益参数，kD为自适应PID控制器的微分增益参数； 为PID控制器的模糊控制参数中的比例增益参数， 为PID控制器的模糊控制参数中的积分增益参数， 为PID控制器的模糊控制参数中的微分增益参数； 为PID控制器的神经网络控制参数中的比例增益参数， 为PID控制器的神经网络控制参数中的积分增益参数， 为PID控制器的神经网络控制参数中的微分增益参数。[0013] 可选的，所述α1，α2和α3均根据PID控制器的模糊控制参数、PID控制器的神经网络控制参数和误差信号组，通过基于强化学习的Actor‑Critic网络模型得到。[0014] 可选的，所述根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号包括：根据所述误差信号组，通过下式得到大型超临界火电机组主蒸汽温度的控制信号：[0015][0016] 其中，u0(k)为k时刻大型超临界火电机组主蒸汽温度的控制信号，error(k)为k时刻的误差信号组，error(k‑1)为k‑1时刻的误差信号组，kP为自适应PID控制器的比例增益参数，kI为自适应PID控制器的积分增益参数，kD为自适应PID控制器的微分增益参数。[0017] 本发明第二方面，提供一种大型超临界火电机组主蒸汽温度控制系统，包括：信号处理模块，用于获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组；参数确定模块，用于根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；自适应加权模块，用于将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；控制模块，用于根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。[0018] 本发明第三方面，提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述超临界火电机组主蒸汽温度自适应控制方法的步骤。[0019] 本发明第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述超临界火电机组主蒸汽温度自适应控制方法的步骤。[0020] 与现有技术相比，本发明具有以下有益效果：[0021] 本发明超临界火电机组主蒸汽温度自适应控制方法，基于大型超临界火电机组主蒸汽温度的期望信号和输出信号计算误差信号组，然后根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数，在此基础上将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器得到自适应PID控制器，然后通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。通过对模糊控制参数和神经网络控制参数进行自适应加权，该方法的自适应学习能力相比传统人工神经网络更强。针对负荷变化时主蒸汽温度的动态特性明显变化及参数结构变化较大等问题，树突神经网络具有更高的精度和适应能力，能够满足大惯性、大延迟和非线性时变的复杂锅炉系统的主蒸汽温度控制需求，提供更高的控制精度和强大的自适应学习能力，还能有效较低的计算复杂度，实现了控制系统参数的自适应整定。附图说明[0022] 图1为本发明实施例的超临界火电机组主蒸汽温度自适应控制方法流程图。[0023] 图2为本发明实施例的超临界火电机组主蒸汽温度自适应控制方法原理图。[0024] 图3为现有PID控制器的控制原理图。[0025] 图4为本发明实施例的模糊控制方法原理图。[0026] 图5为本发明实施例的单层树突神经元网络结构图。[0027] 图6为本发明实施例的树突神经网络模型前向传播与反向更新原理图。[0028] 图7为本发明实施例的包含隐藏层的多输入多输出树突神经网络原理图。[0029] 图8为本发明实施例的基于强化学习的Actor‑Critic模型的结构原理示意图。[0030] 图9为本发明实施例的大型超临界火电机组主蒸汽温度控制系统结构框图。具体实施方式[0031] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。[0032] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0033] 如背景技术中所介绍的，当超临界火电机组在大范围内调峰时，对主蒸汽温度的调控显得尤为重要。如果主蒸汽温度过高，机组蒸汽管道特别是锅炉炉膛受热面的热应力会受到影响，这会加速设备钢材的蠕变速度，从而导致设备损坏。例如，当主蒸汽温度达到593摄氏度时，钢材的寿命将从10万小时缩短到3万小时，严重超温时，金属材料可能会丧失应有的强度，进而引发管道破裂。另一方面，如果主蒸汽温度过低，发电机组的热效率会降低，这不仅会影响发电效率、增加煤耗；更重要的是，为了在主蒸汽温度降低的情况下维持机组功率，就必须提高调门开度，这可能会导致末级蒸汽带水及湿度增大，对高速运行的汽轮机造成腐蚀并可能引发水击事件，影响金属材料的寿命。此外，当主蒸汽温度波动剧烈，会加速金属材料的疲劳和蠕变，还可能导致汽轮机转子和汽缸的涨差变化，甚至产生剧烈震动，对发电机组的运行安全构成严重威胁。[0034] 大型超临界火电机组的锅炉过热器出口处的过热蒸汽在整个锅炉汽水流程中温度最高(超过500摄氏度)，锅炉蒸汽温度的控制品质对火力发电机组的安全经济指标有着重要的影响，是机组运行质量评估首选指标之一。因此，精确控制主汽温于额定值并且减少蒸汽温度波动，具有十分重要的实际意义，对保证机组高效、安全稳定地运行至关重要。一般情况下，要求将火电机组主蒸汽温度暂时偏差控制在设定值正负10摄氏度，长期偏差控制在设定值正负5摄氏度内，这就需要一套非常精准可靠的温度控制系统。[0035] 目前，超临界直流火电机组中，主蒸汽温度的调控方法有燃水比调节，即通过调节燃烧系统中的燃料供给和给水流量之间的比例关系，实现主蒸汽温度粗调；该方法主要用于长期维持汽温稳定，但是存在惯性大、延迟大的问题。此外，目前普遍采用喷水减温器进行调节主蒸汽温度，这种设备由于其简单性、精确的控制、高温控制能力和易于自动化等特点而被广泛应用。喷水减温器的工作原理是通过雾化水并将其引导进入过热器来吸收蒸汽热量，从而使得其温度降低；通过调节喷水量，可以控制主蒸汽温度的降低程度。使用三级喷水减温设备对主汽温进行细调，保证蒸汽从火电机组过热器出来后，汽温能够符合系统的设计要求，最终得到汽轮发电机组所需的具有合格温度压力品质的过热蒸汽。[0036] 然而，超临界火电机组主汽温的控制面临巨大的挑战。这是因为直流锅炉设备繁多，它们通过串联或并联方式相互连接，每个设备的微小扰动都可能引发相邻设备的响应，进而对整个锅炉系统产生影响。[0037] 此外，由于炉膛内其他燃烧工况的扰动，如风量或燃料量的波动，可能导致沿着整个过热器长度的烟气传热量几乎同时变动。因此，过热器出口的主蒸汽温度具有较快的动态响应特性，其特征时间和特征滞后时间都较短，这意味着主蒸汽温度控制系统需要处理这种快速变化的特性。因此，设计主蒸汽温度控制系统的关键思路是利用响应速度较慢的减温水来抵消响应速度较快的过热器吸热量的波动；这也是导致锅炉蒸汽温度难以达到良好品质的根本原因。在工业生产过程中，要求主蒸汽温度控制系统必须具备抵御各种干扰的能力，使得蒸汽温度在允许范围内波动，并确保过热器温度不超过允许的数值。[0038] 在传统PID控制方法的基础上，近年来，模糊PID控制算法的提出在一定程度上提高了火电机组主蒸汽温度控制的品质，并成功应用于实际情境。此后，更多学者提出使用遗传算法或粒子群优化算法来改进PID控制器。近年来，随着深度学习算法的快速发展，有学者提出了基于模糊神经网络的PID算法，有学者提出了基于径向基神经网络模糊推理的主蒸汽温度PID串级控制系统，还有学者提出了基于循环神经网络预测控制的汽温控制算法。然而，由于神经网络能够以任意精度逼近复杂非线性函数，具有自适应和自学习能力，对不确定对象进行建模；在复杂工况环境下，神经网络可以自动调整系统参数以最快速度适应新环境，能够有效解决常规PID控制方法难以应对的问题。但是，将传统的胞体神经元BPNN网络用于主汽温控制，存在计算复杂度高难以工程实际应用、网络表达能力不足、泛化能力有限导致控制效果差、响应时间过长等问题亟待解决。[0039] 因此，本发明在模糊神经网络PID控制的基础上，针对常规胞体神经元网络模型表达能力不足、计算复杂度高及泛化能力有限等问题，提出了一种基于树突神经网络和模糊PID的超临界火电机组主蒸汽温度自适应控制方法，通过对树突网络模块和模糊模块的参数输出进行加权，该方法的自适应学习能力相比传统人工神经网络更强。针对负荷变化时主蒸汽温度的动态特性明显变化、参数结构变化较大等问题，树突神经网络具有更高的精度和适应能力，能够满足大惯性、大延迟和非线性时变的复杂锅炉系统的主汽温控制需求。[0040] 下面结合附图对本发明做进一步详细描述：[0041] 参见图1和2，本发明一实施例中，提供一种超临界火电机组主蒸汽温度自适应控制方法，可解决PID控制算法中最优控制参数难以人工手动获取的问题。[0042] 具体的，所述超临界火电机组主蒸汽温度自适应控制方法包括以下步骤：[0043] S1：获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组。[0044] S2：根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数。[0045] S3：将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器。[0046] S4：根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。[0047] 其中，误差信号组包括误差信号、累计误差信号和误差信号的差分信号。[0048] 本发明超临界火电机组主蒸汽温度自适应控制方法，基于大型超临界火电机组主蒸汽温度的期望信号和输出信号计算误差信号组，然后根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数，在此基础上将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器得到自适应PID控制器，然后通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。通过对模糊控制参数和神经网络控制参数进行自适应加权，该方法的自适应学习能力相比传统人工神经网络更强。针对负荷变化时主蒸汽温度的动态特性明显变化及参数结构变化较大等问题，树突神经网络具有更高的精度和适应能力，能够满足大惯性、大延迟和非线性时变的复杂锅炉系统的主蒸汽温度控制需求，提供更高的控制精度和强大的自适应学习能力，还能有效较低的计算复杂度，实现了控制系统参数的自适应整定。[0049] 具体的，参见图3，比例‑积分‑微分控制(Proportion‑Integration‑Differentiation，PID)是目前应用最广泛的一类基础控制算法，PID控制原理是根据给定输入与实际输出之间的偏差，通过反馈的思想来实现控制。[0050] 假设，误差信号组为error(t)，比例控制考虑当前误差信号组值，误差信号组与比例控制常数kp相乘得到比例控制项；积分控制会考虑过去的误差信号组值，其利用误差信号组累积和 与积分控制常数ki相乘得到积分控制项；微分控制则是考虑未来误差信号组，计算误差信号组一阶导derror(t)/dt，再与微分控制常数kd相乘得到微分控制项。最后由比例控制项、积分控制项和微分控制项三项求和得到PID控制器输出的信号u(t)，也就是主汽温调节系统(执行机构)实际接收的输入信号，如式(1)所示：[0051][0052] 其中，kp，ki和kd三者分别是PID控制器的比例增益参数、积分增益参数和微分增益参数，是可以调适的参数，由被控对象主蒸汽温度的特性决定，其传递函数形式可以写成error(t)为当前误差信号组，由输入信号和系统输出信号计算误差得到，如式(2)所示：[0053] error(t)＝r(t)‑y(t)(2)[0054] 在实际使用过程中，通常需要以周期为T对输入信号进行采样，从而将连续时间t转换成离散采样时刻，最终微分使用一阶后向差分近似，积分使用求和近似，最终得出离散的第k个采样时刻的PID输出信号表达式：[0055][0056] 在一种可能的实施方式中，根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数包括：通过预设的隶属度函数求解所述误差信号组的隶属度，得到误差信号组相对于各预设的模糊子集的隶属度；基于误差信号组相对于各预设的模糊子集的隶属度，通过预设的模糊控制表进行模糊推理，得到PID控制器的模糊控制参数的模糊量；使用加权平均法对PID控制器的模糊控制参数的模糊量进行反模糊化，得到PID控制器的模糊控制参数。[0057] 具体的，通过预设的隶属度函数求解所述误差信号组的隶属度，得到误差信号组相对于各预设的模糊子集的隶属度；基于误差信号组相对于各预设的模糊子集的隶属度，通过预设的模糊控制表进行模糊推理，得到PID控制器的模糊控制参数的模糊量；基于PID控制器的模糊控制参数的模糊量进行解模糊化，使用加权平均法处理PID控制器的模糊控制参数的模糊量，即对ΔkP,ΔkI,ΔkD进行反模糊化，得到PID控制器的模糊控制参数。其中，输出量ΔkP,ΔkI,ΔkD是根据模糊规则表进行模糊推理后计算输出的各PID控制参数模糊量，其计算过程如下述的公式(5)、(6)和(7)所示。PID控制器的模糊控制参数的模糊量是由多个模糊子集的隶属度组成的向量，它表示了该变量在不同模糊子集中的隶属程度。[0058] 其中，模糊子集包括：负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)和正大(PB)。[0059] 具体的，PID控制器基于相对简单的原理，已经成为被广泛使用的控制算法。然而在实际应用中，主蒸汽温度控制系统的本质是利用一个反应特性较缓慢的减温水扰动来克服反应特性较快的过热器吸热量扰动，受控对象表现出的大惯性、大时滞特性使得传统PID控制器难以实现良好的控制效果。为解决这个问题，本发明整合了基于专家知识的模糊控制方法，来优化传统的PID控制器，实现对大型超临界火电发电机组主蒸汽温度的控制。[0060] 模糊控制方法的本质上是智能控制领域的一种非线性控制方法，模糊控制方法通过模糊化、模糊推理和反模糊化过程，根据存储在模糊控制表中的专家知识，对PID控制模块的输出进行特定调整。这实现了更小的超调量和更短的调整时间，从而实现了PID控制器的增益参数的实时优化，它有效克服了传统PID控制器无法实时调节参数的局限性。[0061] 模糊控制方法的输入包括系统输出与实际值的误差E和误差变化率Ec，输出对应于PID控制器的参数kP，kI和kD相关联的修正值集合u1(k)。[0062] 参见图4，模糊控制方法的算法流程和原理。其中，模糊化是指根据隶属度函数求解隶属度(隶属某个模糊子集的隶属度)，模糊子集一般定义为7类，即负大(NB)、负中(NM)、负小(NS)、零(ZO)、正小(PS)、正中(PM)和正大(PB)，其用来描述输入的模糊变量，然后采用相关隶属度函数(如高斯隶属度函数)求解其隶属度，以确定其具体论域。[0063][0064] 其中，μ(x，a，b)是高斯隶属度函数，x是输入变量，a、b是不同隶属度函数的参数。调整参数a、b可以通过改变函数形状来达到适应不同系统在不同值域的控制要求。E与Ec模糊集论域分别为{‑n,…,0,…,n}，{‑m,…,0,…,m}，其中m,n分别为离散化后的档数。通常，将模糊系统输入变量E与Ec的范围定义为基本论域。故从基本论域到模糊论域量化因子分别为[0065] 在得到隶属度之后需要进行模糊推理，即根据模糊控制表求解模糊控制器的输出对应的隶属度，这是一个决策过程，模糊控制表一般由模糊子集推导出。具体的控制规则是模糊控制器的关键，这对控制器的控制性能有着很大影响。[0066] 针对火电机组主汽温对象的特点，本实施方式中设计了如下的模糊控制规则表，主要原理是在误差信号组较大时增大调整强度；在稳态阶段前时偏向于PID控制器并在过渡阶段控制惯性。[0067] 表1模糊控制表[0068][0069][0070] 其中，ΔkP，ΔkI，ΔkD分别表示由模糊推理而计算输出的模糊量，即可用于对PID控制参数进行修正。ΔkP起主要调控作用，ΔkI和ΔkD根据实际需要设定。[0071] 下面以ΔkP求解为例，说明具体求解过程。根据上述模糊控制表，给出对应的模糊关系为{R1，R2，...，Rn×m}，其计算方式如下：[0072][0073] 其中，m＝7，n＝7，则总模糊关系R可以根据上述所有模糊关系进行合并为：[0074][0075] 然后根据输入误差E和误差变化率Ec的模糊量可以计算输出模糊量ΔkP：[0076] ΔkP＝(E×Ec)oR(7)[0077] ΔkI，ΔkD的计算与上述方法相同。[0078] 最后，进行解模糊化，使用加权平均法对输出量进行反模糊化，然后将精确值缩放到PID控制器的论域。假设输出量的精确值为Out，则有：[0079][0080] 其中，wi表示输出量模糊论域值，μi代表wi在各模糊子集中对应的隶属度。然后将计算出的精确值缩放到PID控制器的论域。在主蒸汽温度控制场景下，根据上述控制规则计算出精确值后，假设PID控制量论域为[‑v，v]，定义一个比例因子G＝v/L，其中，L＝7对应基本论域中量化个数。最终，可以得到模糊控制对PID控制参数的修正输出如下：[0081][0082] 在一种可能的实施方式中，所述预训练的基于树突神经网络模型的神经网络控制参数模型通过下述方式得到：[0083] 构建树突神经网络模型；并获取大型超临界火电机组主蒸汽温度的当前训练时刻的期望信号和训练输出信号，并根据当前训练时刻的期望信号和训练输出信号得到当前训练时刻的误差信号组；将当前训练时刻的误差信号组输入至树突神经网络模型中，得到PID控制器的当前训练时刻的神经网络控制参数；以及根据当前训练时刻的误差信号组，通过模糊控制方法得到PID控制器的当前训练时刻的模糊控制参数，将PID控制器的当前训练时刻的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到当前训练时刻的自适应PID控制器；根据当前训练时刻的误差信号组，通过当前训练时刻的自适应PID控制器得到大型超临界火电机组主蒸汽温度的训练控制信号并应用，得到大型超临界火电机组主蒸汽温度下一训练时刻的输出信号；获取大型超临界火电机组主蒸汽温度下一训练时刻期望信号，并根据大型超临界火电机组主蒸汽温度下一训练时刻的输出信号和期望信号，得到下一训练时刻的误差信号组，并根据下一训练时刻的误差信号组优化树突神经网络模型；重复上述步骤至下一训练时刻的输出信号和期望信号之间的误差满足预设的误差阈值时，将最终的树突神经网络模型作为神经网络控制参数模型。[0084] 具体的，在实际工况中，经过系统辨识后确定系统的传递函数，然后使用树突神经网络模型对系统进行PID控制时进行PID控制参数在线调整，同时更新树突神经网络模型的网络参数。具体表现为每采样时间间隔内收集系统输出信号以及期望信号，计算得到系统误差信号组、累计误差信号组以及误差的差分信号，将这组误差信号组作为树突神经网络模型的输入；经过网络输出调整PID参数值，调控系统得到新的输出以及计算得到新的误差值，同时利用新的误差值来进行树突神经网络模型参数的梯度更新；最后当系统输出收敛即达到期望信号时，树突神经网络模型参数也达到收敛，得到一个预训练的神经网络控制参数模型。[0085] 具体的，虽然串级PID控制方法和模糊PID控制策略在一定程度上克服大惯性被控对象造成的响应速度过慢问题，但是调节PID控制器的增益参数以适应实际受控系统的特性常常面临严峻挑战，仅仅依靠技术人员手动调节获取最优控制参数。因此，为解决此问题，使用BP神经网络的改进PID控制方法能根据误差反传的学习策略来针对模型变化进行控制器调整。在经过模糊控制器后得到相关的PID控制器的增益参数，将其传入到BP神经网络进行进一步地更新调整。[0086] 然而，传统的胞体神经元网络由于表达能力不足、计算复杂度高及泛化能力有限。针对负荷变化时主蒸汽温度的动态特性明显变化、参数结构变化较大等问题，传统BP神经网络适应能力有限，不能满足大惯性、大延迟和非线性时变的复杂锅炉系统的主汽温控制需求。[0087] 因此，本发明基于树突神经网络模型来实现参数控制，其自适应学习能力相比传统人工神经网络更强，能够自动学习最优控制参数。[0088] 树突神经网络与传统机器学习算法不同的是树突神经网络是白箱模型，这意味着对模型相关参数可控精度，同时其具有较低的计算复杂度，在分类、回归和系统鉴别等方面具有很好的应用效果。树突神经网络也分为前向传播和反向梯度两个过程。树突神经网络的前向传播计算是利用了矩阵的哈达玛积(HadamardProduct)，参见图5，树突神经元原理图，其前向传播可以表示为：[0089][0090] 其中，Al‑1和Al分别是模块输入和输出，而Wl，l‑1是该层网络参数，符号 表示矩阵的哈达玛积，其计算过程是取两个相同维数的矩阵，并通过每个元素对应相乘的到一个相同维度的矩阵，用于模拟生物神经元网络中多树突之间信息的传递，X是树突神经网络模型的输入，由误差信号组进行归一化数据处理得到。三层网络结构下的树突神经网络，输入输出表示为：[0091][0092] 其中，W10是输入神经元到第一层树突网络之间的权重参数，经过矩阵乘法计算之21 32后，使用哈达玛积计算得到该层的输出 W 、W 分别是第一层到第二层、第二层到第三层网络之间的权重参数，计算方式与第一层一致，每层的输出作为下一层的输入，最后输出得到PID控制器的神经网络控制参数Y。[0093] 根据公式(10)和(11)可以看出，树突神经网络计算复杂度远远低于传统BP神经网络，因为该计算过程只包括矩阵乘法和哈达玛积。[0094] 参见图6和7，树突神经网络的误差反向梯度传播与BP网络基本相同，其中误差计算及梯度计算如下：[0095][0096][0097] dAl‑1＝(Wl，l‑1)TdZl(14)[0098] 则树突神经网络的参数更新如下：[0099][0100] Wl，l‑1(new)＝Wl，l‑1(old)‑αdWl，l‑1(16)[0101] 其中，和Y分别表示树突神经网络的输出和标签，m表示数据样本量，α为学习率。L L ldA 是树突神经网络的输出误差值，dZ 是输出层的局部梯度，dA是中间层的输出误差值，l l‑1 l，l‑1dZ 是中间层的局部梯度。A 代表第l‑1层的输出，W 则是第l‑1到第l层之间的权重矩l，l‑1 l，i‑1(old) l，l‑1(new)阵，dW 是第l‑1到第l层之间的权重矩阵更新值，W 与W 是梯度更新前后第l‑1到第l层之间的权重矩阵。[0102] 在一种可能的实施方式中，所述将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器包括：[0103] 通过下式将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和：[0104][0105] 其中，α1，α2和α3均为自适应权重参数，取值范围均在0到1之间；kP为自适应PID控制器的比例增益参数，kI为自适应PID控制器的积分增益参数，kD为自适应PID控制器的微分增益参数； 为PID控制器的模糊控制参数中的比例增益参数， 为PID控制器的模糊控制参数中的积分增益参数， 为PID控制器的模糊控制参数中的微分增益参数； 为PID控制器的神经网络控制参数中的比例增益参数， 为PID控制器的神经网络控制参数中的积分增益参数， 为PID控制器的神经网络控制参数中的微分增益参数。[0106] 其中，α1，α2和α3均通过基于强化学习的Actor‑Critic网络模型确定。[0107] 具体而言，通过使用双延迟深度确定性策略梯度(Twin Delayed DeepDeterministicPolicyGradients，TD3)算法来确定，算法的输入为PID控制器的模糊控制参数、PID控制器的神经网络控制参数和误差信号组error(t)。[0108] 本文设置状态空间 动作空间为自适应参数值at＝(α1，α2，α3)。在主蒸汽温度控制场景下，将奖励函数设置为其中，u(t)为在状态st下采取动作at后控制系统的调节量，并进入下一时刻状态st+1。[0109] 具体的，参见图8，本发明中使用的基于强化学习的Actor‑Critic模型包括两组神经网络：一组是智能体的策略函数网络(ActorNetwork)，用于根据当前状态选择动作；另一组是价值函数网络(CriticNetwork)，用于估计动作价值。每组神经网络包含成对的Target与Online网络，均采用软更新的方式进行更新。定义ActorOnline网络Actor_o为μ‑(s，φ)，其对应的Target网络Actor_t为μ(s，φ )。同理定义两对Critic网络，Critic_o1表示为Q(s，a；θ1)和Critic_o2表示为Q(s，a；θ2)，两者对应的Target网络Critic_t1和Critic_‑t2分别表示为Q(s，a；θ1′)和Q(s，a；θ2′)，其中φ，φ ，θ1，θ2，θ1′，θ2′均为组成Actor‑Critic网络模型中各个全连接网络组件中的权重参数。[0110] 该策略网络的目标是表示以φ为参数的最优策略μ(st；φ)，以最大化累积奖励使用梯度上升更新参数φ，如式(18)所示：[0111][0112] 其中，α表示学习率，J(μ(φ))梯度计算如下式(19)所示：[0113][0114] 价值函数网络的目标是最小化Q值函数的均方误差来找寻最优参数θ*，如下式(20)所示，其中，θ∈{θ1，θ2}，这样的设计可以解决深度强化学习中易出现Q值过度估计问题，使得训练过程更加稳定：[0115][0116] 如式(21)所示，yt是时间差(TemporalDifference，TD)目标，Q(st，at；θ)是Critic网络在状态st时采取的行动at下，从时间t开始的未来贴现奖励的期望总和，γ表示折扣系数，θ′∈{θ1′，θ2′}：[0117] yt＝rt+γminθ′Q(st+1，μ(st+1；φ‑)；θ′)(21)[0118] 对模型训练结束后，模糊控制方法得到的输出 神经网络控制参数模型得到的输出 与误差信号组error(t)传入Actor网络即可输出对应的动作at＝(α1,α2,α3)。通过强化学习网络学习出对应的加权系数后，将本发明中PID控制器的模糊控制参数和神经网络控制参数按照公式(17)进行加权融合，得到系统最终的PID控制器的控制参数。[0119] 具体的，本发明超临界火电机组主蒸汽温度自适应控制方法，可以通过模糊PID和新型树突神经网络的结合，实现主蒸汽温度的联合自适应控制，从而提升控制效果，降低超调量，并减少调节时间。[0120] 针对常规PID控制方法对大惯性、不确定及非线性的主蒸汽温度对象难以控制问题，本发明整合模糊控制算法，自行设计的模糊控制表对PID控制参数进行修正，保证系统在大偏差时进行较大调整，使得系统动态响应更加迅速；并且在稳态附近有效降低惯性，从而实现较低的超调量和更短的调整时间。[0121] 针对传统PID算法和模糊PID控制器的最优控制参数需要人工大量尝试及难以自动获取的问题，本发明超临界火电机组主蒸汽温度自适应控制方法，通过模型训练自适应学习最优控制参数。具体而言，将误差信号组作为输入，分别经过模糊控制方法和基于树突神经网络模型的神经网络控制参数模型，输出相应的PID控制器的模糊控制参数和神经网络控制参数，同时更新神经网络控制参数模型的权重参数，最后根据模糊控制参数和神经网络控制参数经过自适应加权调整后对被控对象(主蒸汽温度)进行控制，最终实现最优的控制参数自适应学习。[0122] 并且，本发明提出的超临界火电机组主蒸汽温度自适应控制方法，相比于现有的基于BP神经网络的PID算法而言，学习表征能力和泛化能力更强，并且哈达玛积的操作有效的降低了计算复杂度，使得提出的算法保证强大的自适应参数学习能力的同时，计算效率更高，能更好的适应复杂的工况。[0123] 此外，本发明超临界火电机组主蒸汽温度自适应控制方法，得益于树突神经网络强大的自适应学习能力，可以很好的学习到主蒸汽温度随负荷变化时动态特性。原因是，相比基于传统胞体神经元设计的传统的BP神经网络，树突神经元可以更好的学习复杂的逻辑运算，泛化能力更强，并且计算复杂度更低，最重要的是克服了人为设置大量控制参数的问题。[0124] 下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。[0125] 参见图9，本发明再一实施例中，提供一种超临界火电机组主蒸汽温度自适应控制系统，能够用于实现上述的超临界火电机组主蒸汽温度自适应控制方法，具体的，该超临界火电机组主蒸汽温度自适应控制系统包括信号处理模块、参数确定模块、自适应加权模块以及控制模块。[0126] 其中，信号处理模块用于获取大型超临界火电机组主蒸汽温度的期望信号和输出信号，并计算所述期望信号和输出信号的误差信号组；参数确定模块用于根据所述误差信号组，通过模糊控制方法得到PID控制器的模糊控制参数，并通过预训练的基于树突神经网络模型的神经网络控制参数模型，得到PID控制器的神经网络控制参数；自适应加权模块用于将PID控制器的模糊控制参数和神经网络控制参数进行自适应加权求和并应用至PID控制器，得到自适应PID控制器；控制模块用于根据所述误差信号组，通过自适应PID控制器得到大型超临界火电机组主蒸汽温度的控制信号。[0127] 前述的大型超临界火电机组主蒸汽温度控制方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明实施例中的大型超临界火电机组主蒸汽温度控制系统所对应的功能模块的功能描述，在此不再赘述。[0128] 本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。[0129] 本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field‑ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于超临界火电机组主蒸汽温度自适应控制方法的操作。[0130] 本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non‑volatilememory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关超临界火电机组主蒸汽温度自适应控制方法的相应步骤。[0131] 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、系统、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、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。[0132] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0133] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0134] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0135] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

专利地区：江西

专利申请日期：2023-11-30

专利公开日期：2024-11-29

专利公告号：CN117518823B