主蒸汽流量测量方法、装置、终端及存储介质与流程

1.本发明涉及蒸汽测量技术领域，尤其涉及一种主蒸汽流量测量方法、装置、终端及存储介质。


背景技术：

2.由于蒸汽压力较大、温度较高，而且饱和蒸汽在计量时容易变为气液两相流，相比于其他介质，计量难度较大。随着经济的不断发展，对节能降耗的要求越来越高，蒸汽的计量工作也越来越受到重视。
3.现有的汽轮机发电机组主要通过差压式流量计进行主蒸汽流量的测量，差压式流量计具有结构简单、安装牢固、便于操作、重复性和稳定性好等优点。然而，随着机组容量增大，差压式流量计的安装与检修难度也随之增加，主蒸汽流量测量的难度较高。


技术实现要素：

4.有鉴于此，本发明提供了一种主蒸汽流量测量方法、装置、终端及存储介质，能够解决现有的蒸汽流量测量难度高的问题。
5.第一方面，本发明实施例提供了一种主蒸汽流量测量方法，包括：
6.获取影响汽轮机主蒸汽流量大小的第一预设数量的影响因子，并对历史数据进行预处理，得到处理后的数据；
7.依次计算每个影响因子与主蒸汽流量的灰色关联度；
8.根据每个影响因子与主蒸汽流量的灰色关联度，确定第二预设数量的影响因子；
9.通过所述处理后的数据得到第一训练集，其中，所述第一训练集中一组训练数据的输入为所述第二预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；
10.通过所述第一训练集对长短期记忆神经网络测量模型进行训练，得到主蒸汽流量测量器；
11.通过所述主蒸汽流量测量器获取主蒸汽流量的测量值。
12.在一种可能的实现方式中，所述并对历史数据进行预处理，得到处理后的数据包括：
13.对所述历史数据进行归一化处理；
14.通过拉依达准则和孤立森林算法去除归一化处理后的数据中的异常值。
15.在一种可能的实现方式中，在通过所述主蒸汽流量测量器获取主蒸汽流量的测量值之前，该方法还包括：
16.通过平均影响值算法依次获取所述第二预设数量的影响因子中每个影响因子对所述主蒸汽流量测量器的输出量的平均影响值；
17.将每个影响因子对应的平均影响值的绝对值按照从大到小的顺序排序；
18.根据排序结果确定第三预设数量的影响因子；
19.通过所述处理后的数据得到第二训练集，在所述第二训练集中，一组训练数据的
输入为所述第三预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；
20.通过所述第二训练集对所述主蒸汽流量测量器进行训练。
21.在一种可能的实现方式中，所述第三预设数量的影响因子包括：汽轮机的机组负荷、主蒸汽压力、主蒸汽温度、调节级后压力、调节级后温度、一段抽气压力、一段抽气温度、高压缸排气压力。
22.在一种可能的实现方式中，在通过所述第二训练集对所述主蒸汽流量测量器进行训练之后，该方法还包括：
23.通过所述处理后的数据得到测试集，在所述测试集中，一组测试数据的输入为所述第三预设数量的影响因子所对应的值；
24.通过所述测试集对所述主蒸汽流量测量器进行测试。
25.第二方面，本发明实施例提供了一种主蒸汽流量测量装置，包括：影响因子确定模块和测量器获取模块；
26.所述影响因子确定模块，用于获取影响汽轮机主蒸汽流量大小的第一预设数量的影响因子，并对历史数据进行预处理，得到处理后的数据；依次计算每个影响因子与主蒸汽流量的灰色关联度；根据每个影响因子与主蒸汽流量的灰色关联度，确定第二预设数量的影响因子；
27.所述测量器获取模块，用于通过所述处理后的数据得到第一训练集，其中，所述第一训练集中一组训练数据的输入为所述第二预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；通过所述第一训练集对长短期记忆神经网络测量模型进行训练，得到主蒸汽流量测量器；通过所述主蒸汽流量测量器获取主蒸汽流量的测量值。
28.在一种可能的实现方式中，所述影响因子确定模块还用于：
29.对所述历史数据进行归一化处理；
30.通过拉依达准则和孤立森林算法去除归一化处理后的数据中的异常值。
31.在一种可能的实现方式中，所述影响因子确定模块还用于：通过平均影响值算法依次获取所述第二预设数量的影响因子中每个影响因子对所述主蒸汽流量测量器的输出量的平均影响值；
32.将每个影响因子对应的平均影响值的绝对值按照从大到小的顺序排序；
33.根据排序结果确定第三预设数量的影响因子；
34.所述测量器获取模块还用于：通过所述处理后的数据得到第二训练集，在所述第二训练集中，一组训练数据的输入为所述第三预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；
35.通过所述第二训练集对所述主蒸汽流量测量器进行训练。
36.第三方面，本发明实施例提供了一种终端，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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
37.第四方面，本发明实施例提供了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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
38.本发明实施例与现有技术相比存在的有益效果是：
39.本发明实施例提供了一种主蒸汽流量测量方法，通过灰色关联度算法得到多个与主蒸汽流量关联度较大的影响因子作为lstm模型的输入参数，通过对历史数据进行预处理，对lstm模型进行训练，得到的主蒸汽流量测量器。在后续的主蒸汽流量测量中，只需要获取测量器的输入参数所对应的值，其输出即为主蒸汽流量的测量值，无需安装差压式流量计，降低了主蒸汽流量的测量难度。
附图说明
40.为了更清楚地说明本发明实施例中的技术方案，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。
41.图1是本发明实施例提供的一种主蒸汽流量测量方法的实现流程图；
42.图2是本发明实施例提供的另一种主蒸汽流量测量方法的实现流程图；
43.图3是本发明实施例提供的一种主蒸汽流量测量装置的结构示意图；
44.图4是本发明实施例提供的终端的示意图。
具体实施方式
45.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
46.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
47.参见图1，其示出了本发明实施例提供的一种主蒸汽流量测量方法的实现流程图，详述如下：
48.在步骤s101中，获取影响汽轮机主蒸汽流量大小的第一预设数量的影响因子，并对历史数据进行预处理，得到处理后的数据。
49.通过主蒸汽流量与汽轮机运行方式、配汽方式、热力学原理的研究，并参考弗留格尔公式，选取影响汽轮机主蒸汽流量大小的第一预设数量的影响因子，包括但不限于：机组负荷、主蒸汽压力、主蒸汽温度、调节级后压力、调节级后温度、高压缸排汽压力、高压缸排汽温度、高压凝汽器压力、低压凝汽器压力、一段抽汽压力、一段抽气温度、热再热蒸汽温度、主给水流量、主凝结水流量、以及阀门开度等多个影响因子。
50.在一些实施例中，对历史数据进行预处理包括：对历史数据进行归一化处理；通过拉依达准则和孤立森林算法去除归一化处理后的数据中的异常值。
51.在本发明实施例中，对数据进行归一化处理的过程包括：
[0052][0053]
其中，式中，x(i,j)为原始数据，x
′
(i,j)为归一化处理后数据，x
max
(j)和x
min
(j)分别为第j个模型参数(即影响因子)的最小值与最大值。
[0054]
实际中，采集的历史数据往往包含一些数据对象，这些数据由于随机波动或测量传感器的原因，使得它们与数据的一般行为或模型不一致，这些数据被称为异常点，对异常数据进行准确识别与恰当处理，对后续预测工作至关重要。在本发明实施例中，对于采集到的历史数据进行归一化处理之后，经过以下两种异常值的处理方法将异常值剔除，仅保留满足条件的合理数值。
[0055]
第一种去除异常值的方法为拉依达准则：拉依达准则又称为3σ准则，是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。步骤如下：
[0056]
1)、计算测值序列的算术平均值
[0057][0058]
式中，x为测值序列的算术平均值；xi为测值序列中第i个测值；n为测值序列的数据量。
[0059]
2)、计算测值序列的残余误差
[0060]
vi＝x
i-x(i＝1,2,3，
…
，n)
[0061]
3)、计算测值序列的标准差
[0062]
根据贝塞尔公式，可以计算出测值序列的标准差σ，公式如下：
[0063][0064]
式中，σ为测值序列的标准差；vi为测值序列中第i个测值的残余误差；n为测值序列的数据量。
[0065]
4)、判断测值是否为异常数据
[0066]
对测值序列中的所有测值进行判断，对于每一个测值xi，若与值对应的残余误差vi的绝对值大于3倍的标准差，则认为该测值为异常数据。
[0067]
第二种去除异常值的方法为孤立森林算法：
[0068]
孤立森林算法的提出是基于异常数据的两个特征：少数和不同，即分布稀疏且离密度高的群体较远的点，这些点也被称为容易被孤立的点。针对一组连续性数据集，孤立森林算法的核心在于随机进行采样并构造一定数量的隔离树(itree)，由这些隔离树组成一个孤立森林(iforest)。
[0069]
构造孤立森林的主要步骤如下：
[0070]
1)、从一组连续性数据组成的训练集中随机选择m个样本数据点作为子采样集d＝{d1，d2，
…
，dm}，数据点的维度为n，作为树的根节点。
[0071]
2)、从当前子采样集中随机选择一个维度a和一个分裂点p，p介于当前子采样集中维度a的最大值和最小值之间。
[0072]
3)、对子采样集的每个数据di，按其维度a的值di(a)进行划分，若di(a)＜p则划分至左子树，反之则划分至右子树。
[0073]
4)、重复步骤2)和3)，不断构造新的左、右子树，直至满足下列条件之一:
①
d中只剩下一个数据点或者多个相同的数据点，无法进一步划分；
②
隔离树的高度达到限定高度。
[0074]
5)、重复上述步骤，直至隔离树的数量达到指定数量n，由这些隔离树组成一个孤立森林。
[0075]
对于任何一个查询数据x，通过遍历孤立森林里每一棵隔离树，可以计算该查询数据在每一棵隔离树的路径长度h(x)，进而可以计算在该孤立森林里路径长度的期望e(h(x))。对于一个包含m个样本的子采样集d，由于隔离树的结构与二叉树等价，因此其搜索路径长度平均值c(m)等价于二叉树中失败查询的路径长度给出了二叉树中失败查询的路径长度：
[0076]
c(m)＝2h(m-1)-2(m-1)/m
[0077]
式中:h(k)为调函数，可以被估计为h(k)＝ln k γ，其中γ为欧拉数。c(m)用来标准化查询数据x的路径长度h(x)。
[0078]
查询数据x的异常分数s被定义为:
[0079][0080]
查询数据x根据如下准则进行异常识别:
[0081]
当e(h(x))
→
c(m)时，s
→
0.5，不能判断查询数据x是否为异常；
[0082]
当e(h(x))
→
0时，s
→
1，被识别为异常点；
[0083]
当e(h(x))
→
m-1时，s
→
0，被识别为正常点。
[0084]
在步骤s102中，依次计算每个影响因子与主蒸汽流量的灰色关联度，根据每个影响因子与主蒸汽流量的灰色关联度，确定第二预设数量的影响因子。
[0085]
长短期记忆神经网络(lstm)作为rnn的改进算法，由遗忘门、输入门、内部记忆单元和输出门共同控制，可消除rnn在反向传播过程中，因不断连乘而导致的梯度爆炸或梯度消失现象。由于主蒸汽流量数据对时间序列具有长期依赖性，因此在本发明实施例中，采用lstm模型对主蒸汽流量进行测量。
[0086]
关联分析法是灰色理论中一种新的因素分析方法，能够获取两个或多个因素关联性大小的量度，关联度表明了影响某事物发展的各个因素之间相互制约影响的程度。由于输入量过多不利于模型的建立，在本发明实施例中，采用灰色关联度算法依次计算步骤s101中第一预设数量的影响因子中每个影响因子与主蒸汽流量的灰色关联度，选择主要的影响因子作为lstm模型的输入量。
[0087]
灰色关联度分析(grey relation analysis，gra)是一种多因素统计分析方法，它是以各因素的样本数据为依据用灰色关联度来描述因素间关系的强弱、大小和次序。gra法原理简单，适用于分析本技术中每个影响因子与主蒸汽流量的关联程度，可以很大程度上减少由于信息不对称带来的损失，且gra法不需要大量数据作基础，计算量小。
[0088]
gra法分析中，关联系数和关联度的计算是关键问题，计算灰色关联度的主要步骤包括：
[0089]
1)、获取数据样本，建立灰色关联矩阵：
[0090]
x＝{x0，x1，
…
，xn}
[0091]
式中，x0代表参考序列，xi代表比较序列，i＝1，2，
……
，n。
[0092]
2)、初始序列无量纲化处理：
[0093][0094][0095]
式中，代表各个影响因子中第k个点xi(k)的平均值；x
′i(k)代表xi(k)初始化后的无量纲值。
[0096]
3)、求差序列(各点绝对差值)：
[0097]
δ
oi
(k)＝|x
′0(k)-x
′i(k)|
[0098]
δ
oi
＝(δ
oi
(1)，δ
oi
(2)
……
，δ
oi
(n))
[0099]
式中，x
′0(k)为x0(k)初始化后的无量纲值，δ
oi
为各点绝对值差值之和。
[0100]
4)、计算比较序列相对于参考序列的关联度及权重：
[0101][0102][0103][0104]
式中，表示两级最小值，表示两级最大值，ρ为分辨系数，通常取0.5。ρ越小，分辨力越大。分辨系数是为了削弱最大绝对差值因过大而失真的影响。γ
oi
为灰色关联度，γi为各因素所占权重。
[0105]
在一些实施例中，将第一预设数量的影响因子中每个影响因子与主蒸汽流量的灰色关联度按照降序排列，选取排序结果中的前第二预设数量的影响因子作为lstm模型的输入。
[0106]
在步骤s103中，通过所述处理后的数据得到第一训练集，其中，所述第一训练集中一组训练数据的输入为第二预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值。
[0107]
在本步骤中，通过步骤s101中得到的处理后的数据，获取第一训练集。
[0108]
在步骤s104中，通过第一训练集对长短期记忆神经网络测量模型进行训练，得到主蒸汽流量测量器，通过主蒸汽流量测量器获取主蒸汽流量的测量值。
[0109]
长短期记忆神经网络lstm由遗忘门、输入门、内部记忆单元和输出门共同控制，其中：
[0110]
遗忘门根据重要程度，调节权值选择性忘记不关键信息以及重复信息，用于控制输入x和上一层隐藏层输出h被遗忘的程度大小。计算公式如下：
[0111]ft
＝σ(wf×
[h
t-1
,x
t
] bf)
[0112]
其中，wf,bf分别为遗忘门t时刻的权值矩阵与偏置量，x
t
为t时刻输入量。激活函数
σ(
·
)选用sigmoid函数，当输出接近0或1时，符合物理意义上的开关，起到门控作用。
[0113]
输入门用于控制输入x和当前计算的状态更新到记忆单元的程度大小。当输入序列信息无用时，遗忘门f的值接近1，输入门i的值接近0。计算公式如下：
[0114]it
＝σ(wi×
[h
t-1
,x
t
] bi)
[0115]
其中，wi,bi分别为输入门t时刻的权值矩阵与偏置量，h
t-1
为t-1时刻隐藏层输出量。
[0116]
内部记忆单元由输入值与隐藏层输出值共同作用决定，通过遗忘门、输入门以及自身状态进行更新。计算公式如下：
[0117][0118][0119]
其中，wc,bc分别为内部记忆单元t时刻的权值矩阵与偏置量。
[0120]
输出门用于控制输入x和当前输出取决于当前记忆单元的程度大小。单元状态通过tanh函数，缩放至[-1,1]，符合多数场景下的0中心的特征分布，且梯度在接近0处，收敛速度快。
[0121]ot
＝σ(wo×
[h
t-1
,x
t
] bo)
[0122]ht
＝o
t
·
tanh(c
t
)
[0123]
其中，wo,bo分别为输出门t时刻的权值矩阵与偏置量。
[0124]
主蒸汽流量测量器训练完成后，在后续的主蒸汽流量测量的过程中，通过在主蒸汽流量测量器中输入步骤s103中第二预设数量的影响因子的值，其输出即为主蒸汽流量的测量值。
[0125]
本发明实施例提供了一种主蒸汽流量测量方法，通过灰色关联度算法得到多个与主蒸汽流量关联度较大的影响因子作为lstm模型的输入参数，通过对历史数据进行预处理，对lstm模型进行训练，得到的主蒸汽流量测量器。在后续的主蒸汽流量测量中，只需要获取测量器的输入参数所对应的值，其输出即为主蒸汽流量的测量值，无需安装差压式流量计，降低了主蒸汽流量的测量难度。
[0126]
图2是本发明实施例提供的另一种主蒸汽流量测量方法，结合图2，该方法包括：
[0127]
在步骤s201中，通过平均影响值算法依次获取第二预设数量的影响因子中每个影响因子对主蒸汽流量测量器的输出量的平均影响值。
[0128]
本发明实施例中，平均影响值miv算法的过程主要包括：在长短期记忆神经网络训练完成后，将训练样本的每个输入变量按一定调节率分别进行增加和减少，构成两组新的训练样本，作为长短期记忆神经网络lstm模型的输入，得出的两个输出结果的差值即为变动该输入变量后对输出变量的影响变化值(impactvalue，iv)，将iv按观测例数取平均，得出该输入量对输出量的miv，依次计算各个输入变量的miv(平均影响值)，依据miv绝对值的大小对输入变量排序，判断其对于输出变量，即主蒸汽流量的影响程度。
[0129]
具体计算过程如下：
[0130]
1)、通过网络训练得到初始的网络模型结构，将训练样本p中每一自变量特征pj依次按照比例10％增加和减少，得到两个新的训练样本p
j1
和p
j2
。
[0131]
2)、分别将新得到的训练样本p
j1
和p
j2
通过初始的网络模型结构，得到两个新的仿
真结果a
j1
和a
j2
，其差值即为该自变量按10％比例增减后对网络输出产生的影响，记为v
imp
。
[0132]
将v
imp
按训练样本数n进行平均得到该自变量对于网络输出的平均影响值v
imp,avg
。
[0133][0134]
在步骤s202中，将每个影响因子对应的平均影响值的绝对值按照从大到小的顺序排序。
[0135]
在步骤s203中，根据排序结果确定第三预设数量的影响因子。
[0136]
分别计算各自变量特征的v
imp,avg
值，最后根据v
imp,avgi
绝对值大小的排序，找出对网络输出影响累计超过95％的自变量，即完成了输入变量的选择。
[0137]
在本发明实施例中，在第二预设数量的影响因子中确定第三数量的影响因子，第三预设数量小于等于第二预设数量。所述第三预设数量的影响因子包括：汽轮机的机组负荷、主蒸汽压力、主蒸汽温度、调节级后压力、调节级后温度、一段抽气压力、一段抽气温度、高压缸排气压力。
[0138]
在步骤s204中，通过处理后的数据得到第二训练集，在第二训练集中，一组训练数据的输入为第三预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值。
[0139]
在本步骤中，可通图1所对应实施例中步骤s101得到的处理后的数据，得到第二训练集。
[0140]
在步骤s205中，通过第二训练集对主蒸汽流量测量器进行训练。
[0141]
可选的，该方法还包括：对历史数据进行预处理得到测试集，在测试集中，一组测试数据的输入为第三预设数量的影响因子所对应的值；通过测试集对主蒸汽流量测量器进行测试。
[0142]
本发明通过平均影响值算法进一步在第二预设数量的影响因子中选取对主蒸汽流量影响较大的第三预设数量的影响因子，降低了长短期记忆神经网络模型输入参数的数量，降低了模型训练难度。
[0143]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0144]
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
[0145]
图3示出了本发明实施例提供的主蒸汽流量测量装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
[0146]
如图3所示，主蒸汽流量测量装置3包括：影响因子确定模块31和测量器获取模块32；
[0147]
影响因子确定模块31，用于获取影响汽轮机主蒸汽流量大小的第一预设数量的影响因子，并对历史数据进行预处理，得到处理后的数据；依次计算每个影响因子与主蒸汽流量的灰色关联度；根据每个影响因子与主蒸汽流量的灰色关联度，确定第二预设数量的影响因子；
[0148]
测量器获取模块32，用于通过所述处理后的数据得到第一训练集，其中，所述第一训练集中一组训练数据的输入为第二预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；通过第一训练集对长短期记忆神经网络测量模型进行训练，得到主蒸汽流量
测量器；通过主蒸汽流量测量器获取主蒸汽流量的测量值。
[0149]
在一些实施例中，所述影响因子确定模块还用于：
[0150]
对所述历史数据进行归一化处理；
[0151]
通过拉依达准则和孤立森林算法去除归一化处理后的数据中的异常值。
[0152]
在一些实施例中，所述影响因子确定模块还用于：通过平均影响值算法依次获取所述第二预设数量的影响因子中每个影响因子对所述主蒸汽流量测量器的输出量的平均影响值；
[0153]
将每个影响因子对应的平均影响值的绝对值按照从大到小的顺序排序；
[0154]
根据排序结果确定第三预设数量的影响因子；
[0155]
所述测量器获取模块还用于：通过所述处理后的数据得到第二训练集，在所述第二训练集中，一组训练数据的输入为所述第三预设数量的影响因子所对应的值，输出为对应的主蒸汽流量的值；
[0156]
通过所述第二训练集对所述主蒸汽流量测量器进行训练。
[0157]
在一些实施例中，第三预设数量的影响因子包括：汽轮机的机组负荷、主蒸汽压力、主蒸汽温度、调节级后压力、调节级后温度、一段抽气压力、一段抽气温度、高压缸排气压力。
[0158]
在一些实施例中，测量器获取模块32还用于：通过所述处理后的数据得到测试集，在测试集中，一组测试数据的输入为第三预设数量的影响因子所对应的值；
[0159]
通过测试集对主蒸汽流量测量器进行测试。
[0160]
本发明实施例提供了一种主蒸汽流量测量装置，通过灰色关联度算法得到多个与主蒸汽流量关联度较大的影响因子作为lstm模型的输入参数，通过对历史数据进行预处理，对lstm模型进行训练，得到的主蒸汽流量测量器。在后续的主蒸汽流量测量中，只需要获取测量器的输入参数所对应的值，其输出即为主蒸汽流量的测量值，无需安装差压式流量计，降低了主蒸汽流量的测量难度。
[0161]
本实施例提供的主蒸汽流量测量装置，可用于执行上述主蒸汽流量测量方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
[0162]
图4是本发明一实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个主蒸汽流量测量方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元31至32的功能。
[0163]
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。
[0164]
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
[0165]
所述处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、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 gate array，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。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。
[0166]
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
[0167]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0168]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0169]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0170]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0171]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0172]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0173]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个主蒸汽流量测量方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
[0174]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。