燃气锅炉的烟气含氧量预测方法及装置与流程

1.本发明属于燃气分布式能源领域，尤其涉及燃气锅炉的烟气含氧量预测方法及装置。


背景技术：

2.烟气含氧量是指燃料燃烧之后排出的烟气中的含量，它是燃气锅炉燃烧的一个重要指标，其值的大小与燃气锅炉结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。在燃气锅炉的实际运行过程中，为了让燃料可以充分燃烧，实际供给的空气量比理论上的空气供给量要大的多。这多供给的空气量，我们通常称它为过量空气量。过量空气系数就是实际供给空气量与理论供给空气量的比值。烟气含氧量过低，即过量空气系数越小，会导致供给燃气锅炉燃烧的氧气量不足，燃料不能充分燃烧，热损失增加；烟气含氧量过高，即过量空气系数越大，会使燃气锅炉的热效率降低，不但影响燃烧，同时容易造成环境污染物排放超标，也增加了排烟的耗电量。因此，将燃气锅炉的烟气含氧量控制在合理的范围内，对于节约能源、维护燃气锅炉经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气锅炉的烟气含氧量是衡量燃气锅炉是否安全、经济、环保运行的重要标志之一。
3.目前，工业中一般使用氧化锆传感器来测量烟气含氧量。
4.但是，这种传感器存在成本高、测量滞后大、维护困难、测量误差大、寿命短等许多缺点，不适合在分布式能源以中小型燃气锅炉为主的场景中长期使用。


技术实现要素：

5.有鉴于此，本发明实施例提供了燃气锅炉的烟气含氧量预测方法及装置，仅需要少量的标签数据，能够克服传感器完全实际测量的缺点，也不需要像物理建模那样依赖大量物理参数。
6.本发明实施例的第一方面提供了一种燃气锅炉的烟气含氧量预测方法，包括：获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识；根据所述燃气锅炉标识，确定目标联合能源站；根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型；根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
7.本发明实施例的第二方面提供了一种燃气锅炉的烟气含氧量预测装置，包括：获取模块，被配置成获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识；确定模块，被配置成根据所述燃气锅炉标识，确定目标联合能源站；构建模块，被配置成根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型；生成模块，被配置成根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目
标燃气锅炉的烟气含氧量。
8.本发明实施例的第三方面提供了一种终端设备，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7任一项所述方法的步骤。
9.本发明实施例的第四方面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，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7任一项所述方法的步骤。
10.本发明实施例与现有技术相比存在的有益效果是：首先，获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识；然后，根据所述燃气锅炉标识，确定目标联合能源站；之后，根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型；最后，根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量烟气含氧量，能够实时监测烟气含氧量，便于维护，降低测量误差，同时联合烟气含氧量预测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气含氧量。
附图说明
11.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的前提下，还可以根据这些附图获得其它的附图。
12.图1为本发明一实施例提供的一种燃气锅炉的烟气含氧量预测方法的流程示意图；
13.图2为本发明一实施例提供的另一种燃气锅炉的烟气含氧量预测方法的结构示意图；
14.图3为本发明一实施例提供的一种燃气锅炉的烟气含氧量预测装置的结构示意图；
15.图4为本发明一实施例提供的一种电子设备的结构示意图；
16.图5为本发明一实施例提供的场景应用图。
具体实施方式
17.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。
18.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
19.如图1所示，为本发明实施例提供的一种燃气锅炉的烟气含氧量预测方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气锅炉的烟气含氧量预测方法，包括如下各个步骤：
20.步骤101，获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识。
21.在一些实施例中，执行主体可以通过有线或无线的方式获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识。
22.具体地，包含待监测能源站的客户端通过api接口发送待监测能源站的烟气含氧量预测模型请求。燃气锅炉标识用于标识待监测能源站内的燃气锅炉，可以包括燃气锅炉所属待监测能源站、燃气锅炉数量，燃气锅炉的信号，工作环境，额定功率，额定效率，生产商等描述信息，具体需要结合实际需求确定燃气锅炉标识。这里，待监测能源站中的若干个燃气锅炉的型号相同或者若干个燃气锅炉相似。
23.在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型。待监测能源站对应的客户端通过api接口发送烟气含氧量预测模型请求，联合学习物联网平台获取该烟气含氧量预测模型请求。
24.具体地，能源站一般被配置为向指定区域例如与能源站相邻的区域提供能源，能源系统可以包括多个能源站，并通过该多个能源站向多个区域供能，能源站中的多个燃气锅炉是相似的，也可以是相同型号的。本技术实施例中，每个能源站作为一个物联网中的一个节点，设置有一个客户端，如果能源站的数据用于联合学习，则该能源站对应的客户端被称之为联合学习客户端。其中，联合学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在本技术实施例中，在联合学习机制下，各参与方(目标联合能源站各自对应的联合学习客户端)把加密后的数据模型贡献给联盟(联合学习物联网平台)，联合训练一个联合学习模型。
25.步骤102，根据所述燃气锅炉标识，确定目标联合能源站。
26.在一些实施例中，上述执行主体可以根据所述燃气锅炉标识，确定目标联合能源站。基于燃机内燃机标识包含的信息，确定出若干个目标联合能源站，目标联合能源站中的燃气锅炉和待监测能源站中的燃气锅炉相似，确保目标联合能源站相对于待监测能源站的参考价值。
27.在实际应用中，联合学习物联网平台获取待监测能源站的烟气含氧量预测模型请求之后，根据燃气锅炉标识，确定目标联合能源站。
28.在一些实施例的一些可选的实施方式中，根据所述燃气锅炉标识，获取所述待监测能源站内的燃气锅炉的描述信息以及候选联合能源站内的候选燃气锅炉的描述信息；针对每个所述候选联合能源站，根据所述待监测能源站内的燃气锅炉的描述信息和所述候选联合能源站内的候选燃气锅炉的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度；根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站。
29.获取燃气锅炉标识携带的待监测能源站内的燃气锅炉的描述信息，然后，获取能够参与联合学习的多个候选联合能源站内的候选燃气锅炉的描述信息，计算燃气锅炉的描述信息和候选燃气锅炉的描述信息之间的相似度，以确定候选联合能源站和待监测能源站之间的相似度，根据候选联合能源站和待监测能源站之间的相似度，确定目标联合能源站。
其中，描述信息包括多个参数以及每个参数的参数值。上述多个参数包括但不限于额定容量、额定效率、工作方式、型号(指示了燃气锅炉的性能、规格和大小)、品牌以及工作地点，具体需要结合实际情况确定。可以理解的，燃气锅炉的描述信息和候选燃气锅炉的描述信息的相似度越高，候选燃气锅炉的参考价值越高，从而确保后续预测出的目标联合能源站的准确性。优选地，燃气锅炉和候选燃气锅炉的型号应该相同。
30.作为一种可能的情况，当候选联合能源站和待监测能源站之间的相似度不小于预设阈值时，将候选联合能源站确定为目标联合能源站。具体可以通过对燃气锅炉和候选燃气锅炉之间的描述信息进行相似度比较，以确定候选联合能源站和待监测能源站之间的相似度。在一个例子中，基于燃气锅炉和候选燃气锅炉的描述信息中每个参数的参数值，确定燃气锅炉和候选燃气锅炉的描述信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为候选联合能源站和待监测能源站之间的相似度。在实际应用中，还可以以燃气锅炉的描述信息为模型输入，目标联合能源站为模型输出，训练一个分类模型，将候选燃气锅炉的描述信息输入到训练好的分类模型，从而确定其对应的候选联合能源站是否为目标联合能源站。
31.在一些实施例的一些可选的实施方式中，根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站；向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
32.这里，将相似度不小于预设阈值的候选联合能源站确定为参考联合能源站，向各个参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请，如果联合学习客户端反馈回来邀请通过，则将其对应的参考联合能源站确定为目标联合能源站。
33.步骤103，根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型。
34.在一些实施例中，上述执行主体可以根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型。
35.在实际应用中，根据各个目标联合能源站各自对应的联合学习客户端内的燃气锅炉运行数据与上述联合学习物联网平台进行联合学习，构建联合烟气含氧量预测模型。
36.在一些实施例的一些可选的实施方式中，获取待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端；获取各个所述联合学习客户端各自的局部烟气含氧量预测模型，所述局部烟气含氧量预测模型基于所述联合学习客户端内的燃气锅炉运行数据以及所述待训练模型进行联合学习得到；根据各个所述联合学习客户端各自的局部烟气含氧量预测模型，构建联合烟气含氧量预测模型。
37.在实际应用中，在进行联合学习过程中，需要确定待训练模型，并将待训练模型发送给各个目标联合能源站各自对应的联合学习客户端，使得联合学习客户端能够利用外部上传的燃气锅炉运行数据对待训练模型进行模型训练，得到模型参数并上传到联合学习物联网平台，接收联合学习物联网平台下发的聚合后的模型参数进行模型迭代，在训练终止后，联合学习客户端得到局部烟气含氧量预测模型，联合学习物联网平台聚合各联合学习客户端最后上传的局部烟气含氧量预测模型的模型参数，构建联合烟气含氧量预测模型。
38.具体地，待训练模型可以是现有技术中已开发的和未开发的模型，可使用的已有
模型的示例包括但不限于反向传播(bp)神经网络、支持向量机(svm)以及xgboost模型(xgboost是一种提升树模型，将许多树模型集成在一起，形成一个很强的分类器)等，具体需要结合实际情况确定。应当理解的，各个联合学习客户端的待训练模型相同。
39.步骤104，根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
40.在一些实施例中，上述执行主体可以根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。应当理解的，得到的联合烟气含氧量预测模型综合考虑了其他燃气锅炉的运行数据，从而具有相对较高的准确性，实现了模型迁移。
41.在一些实施例的一些可选的实施方式中，所述烟气含氧量预测模型请求是所述待监测能源站对应的客户端发送的；所述根据所述联合烟气含氧量预测模型，预测所述待监测能源站内的燃气锅炉的烟气含氧量，包括：调用所述模型数据库中的所述联合烟气含氧量预测模型，并将所述联合烟气含氧量预测模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合烟气含氧量预测模型，通过下载的所述联合烟气含氧量预测模型预测所述燃气锅炉的烟气含氧量。
42.在实际应用中，将燃气锅炉的实时运行数据上传到对应的客户端，客户端将该实时数据代入下载的联合烟气含氧量预测模型中，预测燃气锅炉的烟气含氧量。
43.在一些实施例的一些可选的实施方式中，将所述联合烟气含氧量预测模型加入模型数据库中；当再次接收到所述烟气含氧量预测模型请求时，调用所述模型数据库中的所述联合烟气含氧量预测模型，并将所述联合烟气含氧量预测模型发送到所述待监测能源站对应的客户端。
44.在实际应用中，将联合烟气含氧量预测模型存储到联合学习物联网平台上的模型数据库中，若后续需要再次调用该联合烟气含氧量预测模型，则直接将联合烟气含氧量预测模型发送到待监测能源站对应的客户端，无需进行模型训练，以快速获取模型。
45.应当理解的，待监测能源站中的燃气锅炉可能有多个，多个燃气锅炉使用同一联合烟气含氧量预测模型进行烟气含氧量预测。对于待监测能源站而言，待监测能源站内的燃气锅炉的差异一般较小，因此，直接采用相同的联合烟气含氧量预测模型进行不同燃气锅炉的烟气含氧量预测，在确保预测精度的前提下，能够降低计算量，提高计算效率。
46.在实际应用中，上传预测出的待监测能源站内的燃气锅炉的烟气含氧量到联合学习物联网平台。
47.在一些实施例的一些可选的实施方式中，响应于所述目标燃气锅炉的烟气含氧量大于预设阈值，向所述目标燃气锅炉对应的具有语音功能的终端设备上发送报警音频，并进行播放。
48.本公开的一些实施例公开的燃气锅炉的烟气含氧量预测方法，首先，获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识；然后，根据所述燃气锅炉标识，确定目标联合能源站；之后，根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型；最后，根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。综上所述，通过本发明的技术方案，无需使
用传感器测量烟气含氧量，能够实时监测烟气含氧量，便于维护，降低测量误差，同时联合烟气含氧量预测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气含氧量。
49.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。
50.图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
51.如图2所示，为本发明所述燃气锅炉的烟气含氧量预测方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。当然应该认为，在其他有关的场景下，本实施例所述方法亦同样适用。
52.本实施例所结合的具体场景为：如图5所示，假设有3个能源站(能源站中的若干个燃气锅炉相似)以及一个联合学习物联网平台t，3个能源站分别为联合能源站a、联合能源站b以及待监测能源站c，联合学习物联网平台t和联合学习客户端ac、联合学习客户端bc以及监测客户端cc进行交互，其中，联合能源站a和b有较丰富的数据，可利用自身燃气锅炉运行数据训练局部烟气含氧量预测模型，也就是联合学习模型的贡献方；待监测能源站c中的燃气锅炉没有烟气含氧量测点；联合学习客户端ac存储联合能源站a中的燃气锅炉a1、a2、a3的运行数据，联合学习客户端bc存储联合能源站b中的燃气锅炉b1、b2、b3的运行数据，监测客户端cs存储待监测能源站c中的燃气锅炉c1、c2、c3的运行数据；联合学习客户端ac、联合学习客户端bc以及监测客户端cc分别部署在本地运维服务器as、bs、cs，这里，本地运维服务器指的是用于燃气锅炉运行维护的服务器。本实施例所述方法的目的在于，结合联合学习客户端内的燃气锅炉运行数据，构建联合烟气含氧量预测模型用于待监测能源站的燃气锅炉的烟气含氧量预测。
53.本实施例中所述方法包括以下步骤：
54.步骤201、获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识。
55.待监测能源站c通过本地运维服务器cs上部署的监测客户端cc和api接口向联合学习物联网平台t发起燃气锅炉的烟气含氧量预测模型的需求申请，即烟气含氧量预测模型请求。
56.步骤202、根据所述燃气锅炉标识，获取所述待监测能源站内的燃气锅炉的描述信息以及候选联合能源站内的候选燃气锅炉的描述信息。
57.联合学习物联网平台t解析燃气锅炉标识得到待监测能源站c内的燃气锅炉的描述信息，描述信息为燃气锅炉c1的型号，这里，燃气锅炉c1、c2、c3的型号相同，并获取联合能源站a中的燃气锅炉a1的型号，燃气锅炉a1、a2、a3的型号相同，以及联合能源站b中的燃气锅炉b1的型号，燃气锅炉b1、b2、b3的型号相同。
58.步骤203、针对每个所述候选联合能源站，根据所述待监测能源站内的燃气锅炉的描述信息和所述候选联合能源站内的候选燃气锅炉的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度。
59.联合能源站a中的燃气锅炉a1的型号与燃气锅炉c1的型号相同，待监测能源站c和
联合能源站a之间的相似度为1，联合能源站b中的燃气锅炉b1的型号与燃气锅炉c1的型号相同，待监测能源站c和联合能源站b之间的相似度为1。
60.步骤204、根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站。
61.将联合能源站a和联合能源站b分别确定为参考联合能源站。
62.步骤205、向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
63.联合学习物联网平台t向联合学习客户端ac和联合学习客户端bc发送联合学习邀请，若联合学习客户端ac和联合学习客户端bc返回的是同意，则将联合能源站a和联合能源站b分别确定为目标联合能源站。
64.步骤206、获取各个所述联合学习客户端各自的局部烟气含氧量预测模型，根据各个所述联合学习客户端各自的局部烟气含氧量预测模型，构建联合烟气含氧量预测模型。
65.联合学习客户端ac基于燃气锅炉a1、a2、a3的运行数据对待训练模型进行模型训练，并通过api接口上传模型参数到联合学习物联网平台t，联合学习客户端bc基于燃气锅炉b1、b2、b3的运行数据对待训练模型进行模型训练，并上传模型参数到联合学习物联网平台t，联合学习物联网平台t下发聚合后的模型参数至联合学习客户端ac和联合学习客户端bc进行模型迭代，联合学习客户端ac和联合学习客户端bc各自得到局部烟气含氧量预测模型，联合学习物联网平台t对联合学习客户端ac和联合学习客户端bc得到的局部烟气含氧量预测模型进行融合，得到联合烟气含氧量预测模型。
66.步骤207、调用所述模型数据库中的所述联合烟气含氧量预测模型，并将所述联合烟气含氧量预测模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合烟气含氧量预测模型，通过下载的所述联合烟气含氧量预测模型预测所述燃气锅炉的烟气含氧量。
67.联合学习物联网平台t将联合烟气含氧量预测模型下发到监测客户端cc，监测客户端cc下载该联合烟气含氧量预测模型，利用该模型预测燃气锅炉c1、c2、c3的烟气含氧量。
68.通过以上技术方案可知，本实施例存在的有益效果是：基于联合学习物联网平台与燃气锅炉的客户端之间的交互，实现模型调用，从而快速实时准确的预测燃气锅炉的烟气含氧量。
69.图3是本发明实施例提供的燃气锅炉的烟气含氧量预测装置的示意图；上述燃气锅炉的烟气含氧量预测装置300，包括：获取模块301，确定模块302、构建模块303和生成模块304。其中，获取模块301，被配置成获取待监测能源站内的目标燃气锅炉的烟气含氧量预测模型请求以及所述目标燃气锅炉的运行数据，所述烟气含氧量预测模型请求携带燃气锅炉标识；确定模块302，被配置成根据所述燃气锅炉标识，确定目标联合能源站；构建模块303，被配置成根据各个所述目标联合能源站各自对应的燃气锅炉运行数据，构建联合烟气含氧量预测模型；而生成模块304，被配置成根据所述联合烟气含氧量预测模型和所述目标燃气锅炉的运行数据，生成所述目标燃气锅炉的烟气含氧量。
70.在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的确定模块302包括：获取单元，被配置成根据所述燃气锅炉标识，获取所述待监测能
源站内的燃气锅炉的描述信息以及候选联合能源站内的候选燃气锅炉的描述信息；第一确定单元，被配置成针对每个所述候选联合能源站，根据所述待监测能源站内的燃气锅炉的描述信息和所述候选联合能源站内的候选燃气锅炉的描述信息，确定所述待监测能源站和所述候选联合能源站之间的相似度；第二确定单元，被配置成根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，确定目标联合能源站。
71.在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的第二确定单元被进一步配置成：根据各个所述候选联合能源站各自和所述待监测能源站之间的相似度，从各个所述候选联合能源站中确定参考联合能源站；向各个所述参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；将同意所述联合学习邀请的各个参考联合能源站分别确定为目标联合能源站。
72.在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300中的构建模块303被进一步配置成：获取待训练模型，并将所述待训练模型发送给各个所述目标联合能源站各自对应的联合学习客户端；获取各个所述联合学习客户端各自的局部烟气含氧量预测模型，所述局部烟气含氧量预测模型基于所述联合学习客户端内的燃气锅炉运行数据以及所述待训练模型进行联合学习得到；根据各个所述联合学习客户端各自的局部烟气含氧量预测模型，构建联合烟气含氧量预测模型。
73.在一些实施例的一些可选的实施方式中，所述烟气含氧量预测模型请求是所述待监测能源站对应的客户端发送的；所述根据所述联合烟气含氧量预测模型，预测所述待监测能源站内的燃气锅炉的烟气含氧量，被进一步配置成：调用所述模型数据库中的所述联合烟气含氧量预测模型，并将所述联合烟气含氧量预测模型发送到所述待监测能源站对应的客户端，以便所述客户端下载所述联合烟气含氧量预测模型，通过下载的所述联合烟气含氧量预测模型预测所述燃气锅炉的烟气含氧量。
74.在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300被进一步配置成：将所述联合烟气含氧量预测模型加入模型数据库中；当再次接收到所述烟气含氧量预测模型请求时，调用所述模型数据库中的所述联合烟气含氧量预测模型，并将所述联合烟气含氧量预测模型发送到所述待监测能源站对应的客户端。
75.在一些实施例的一些可选的实施方式中，上述燃气锅炉的烟气含氧量预测装置300被进一步配置成：响应于所述目标燃气锅炉的烟气含氧量大于预设阈值，向所述目标燃气锅炉对应的具有语音功能的终端设备上发送报警音频，并进行播放。
76.可以理解的是，该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
77.图4是本发明一实施例提供的燃气锅炉的烟气含氧量预测装置/终端设备的示意图。如图4所示，该实施例的燃气锅炉的烟气含氧量预测装置/终端设备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时实现上述各个燃气锅炉的烟气含氧量预测方法实施例中的步骤，例如图1所示的步骤101至103。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4所示模块401至404的功能。
78.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在所述燃气锅炉的烟气含氧量预测装置/终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
79.所述燃气锅炉的烟气含氧量预测装置/终端设备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。所述燃气锅炉的烟气含氧量预测装置/终端设备可包括，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仅仅是燃气锅炉的烟气含氧量预测装置/终端设备4的示例，并不构成对燃气锅炉的烟气含氧量预测装置/终端设备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，例如所述燃气锅炉的烟气含氧量预测装置/终端设备还可以包括输入输出设备、网络接入设备、总线等。
80.所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、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。
81.所述存储器41可以是所述燃气锅炉的烟气含氧量预测装置/终端设备4的内部存储单元，例如燃气锅炉的烟气含氧量预测装置/终端设备4的硬盘或内存。所述存储器41也可以是所述燃气锅炉的烟气含氧量预测装置/终端设备4的外部存储设备，例如所述燃气锅炉的烟气含氧量预测装置/终端设备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还可以既包括所述燃气锅炉的烟气含氧量预测装置/终端设备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燃气锅炉的烟气含氧量预测装置/终端设备所需的其它程序和数据。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。
82.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。
83.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。
84.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。
85.在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备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。
86.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。
87.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。
88.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电载波信号和电信信号。
89.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。