一种脱硫优化方法、装置、电子设备及存储介质

技术领域

本申请涉及机器学习和排放物脱硫的技术领域，具体而言，涉及一种脱硫优化方法、装置、电子设备及存储介质。

背景技术

目前，火电锅炉中的煤在燃烧后产生的含有大量二氧化硫的烟气，需要对含有大量二氧化硫的烟气进行脱硫；在烟气脱硫优化的过程中，脱硫效果可以使用指标数据来衡量，具体的脱硫优化过程就是针对影响脱硫效果的变量操作数据进行筛选和修改操作，从而尽量使得变量操作数据导致的指标数据靠近脱硫效果最优时的指标数据。

现有的基于数据分析优化算法通常采用类似聚类的算法，具体例如：先将所有已有操作数据进行聚类，获得多个聚类簇，再从多个聚类簇中寻找最优聚类簇，然后从最优聚类簇中的操作数据筛选出最优操作数据，最后由专业人员阅读和查看最优操作数据，并根据最后操作数据来操作脱硫设备，从而达到优化脱硫效果。在具体的实践过程中发现，使用类似聚类的算法对烟气进行脱硫优化的效果并不理想。

发明内容

本申请实施例的目的在于提供一种脱硫优化方法、装置、电子设备及存储介质，用于改善对烟气进行脱硫优化的效果并不理想的问题。

本申请实施例提供了一种脱硫优化方法，包括：获取脱硫设备在脱硫过程中产生的多种时序数据，时序数据是影响脱硫设备的脱硫效果的时间序列数据；在多种时序数据中的每种时序数据的变动范围内生成多个操作数据；使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。在上述的实现过程中，通过采用机器学习中的数据分析方法，使用预先训练的神经网络模型对生成的多个操作数据和脱硫过程中的多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并从多个操作数据中筛选出最优指标数据对应的操作数据；从而可以根据最优指标数据对应的操作数据来优化脱硫过程中的脱硫效果；也就是说，通过使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，从而优化了对烟气进行脱硫优化的效果。

可选地，在本申请实施例中，在使用神经网络模型对多个操作数据和多种时序数据进行预测之前，还包括：获取多种指标影响数据和脱硫指标数据，指标影响数据是影响脱硫效果的时间序列数据，脱硫指标数据是表征脱硫效果的时间序列数据；从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；获取相关关系的指标影响数据对应的优化操作数据；以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型。在上述的实现过程中，通过从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；获取相关关系的指标影响数据对应的优化操作数据；以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型；从而使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，优化了对烟气进行脱硫优化的效果。

可选地，在本申请实施例中，在从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据之前，还包括：对多种指标影响数据和脱硫指标数据进行预处理，预处理包括：异常值识别剔除、缺失值填补和降噪处理。在上述的实现过程中，通过对多种指标影响数据和脱硫指标数据进行异常值识别剔除、缺失值填补和降噪处理等等预处理，从而提高了训练数据或预测数据的质量，有效地提高对模拟操作数据进行预测的准确率。

可选地，在本申请实施例中，从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据，包括：对多种指标影响数据的其中一种指标影响数据与脱硫指标数据进行非线性相关性分析，获得互信息熵值；若互信息熵值大于预设阈值，则将互信息熵值对应的指标影响数据确定为相关关系的指标影响数据。在上述的实现过程中，通过对多种指标影响数据的其中一种指标影响数据与脱硫指标数据进行非线性相关性分析，获得互信息熵值；将互信息熵值大于预设阈值对应的指标影响数据确定为相关关系的指标影响数据；从而让模型可以对相关性较强的指标影响数据进行预测，有效地提高了对模拟操作数据进行预测的准确率。

可选地，在本申请实施例中，使用神经网络模型对多个操作数据和多种时序数据进行预测，包括：从多种时序数据中的每种时序数据对应的多个操作数据筛选出一个候选操作数据，获得由多个候选操作数据构成的操作组合；使用神经网络模型对操作组合和操作组合对应的多种时序数据进行预测。

可选地，在本申请实施例中，从多个预测指标数据筛选出最优指标数据，包括：根据预设条件从多个预测指标数据筛选出最优指标数据，预设条件包括：根据预测指标数据对应的操作数据计算出的操作成本最低，且预测指标数据对应的操作数据不存在异常数据。在上述的实现过程中，通过根据预测指标数据对应的操作数据计算出的操作成本最低，且预测指标数据对应的操作数据不存在异常数据等等预设条件从多个预测指标数据筛选出最优指标数据；从而提高了操作数据和预测指标数据的数据质量，有效地提高对模拟操作数据进行预测的准确率。

可选地，在本申请实施例中，在根据最优指标数据确定出用于优化脱硫效果的操作数据之后，还包括：根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议；或者，根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果。在上述的实现过程中，通过根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议；或者，根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果；从而减少了在脱硫过程中的人力成本，也有效地提高了在脱硫过程中的脱硫效果。

本申请实施例还提供了一种脱硫优化装置，包括：时序数据获取模块，用于获取脱硫设备在脱硫过程中产生的多种时序数据，时序数据是影响脱硫设备的脱硫效果的时间序列数据；操作数据生成模块，用于在多种时序数据中的每种时序数据的变动范围内生成多个操作数据；指标数据获得模块，用于使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据；优化数据确定模块，用于从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。

可选地，在本申请实施例中，脱硫优化装置，还包括：指标数据获取模块，用于获取多种指标影响数据和脱硫指标数据，指标影响数据是影响脱硫效果的时间序列数据，脱硫指标数据是表征脱硫效果的时间序列数据；指标数据筛选模块，用于从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；优化数据获取模块，用于获取相关关系的指标影响数据对应的优化操作数据；网络模型获得模块，用于以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型。

可选地，在本申请实施例中，脱硫优化装置，还包括：数据预设处理模块，用于对多种指标影响数据和脱硫指标数据进行预处理，预处理包括：异常值识别剔除、缺失值填补和降噪处理。

可选地，在本申请实施例中，指标数据筛选模块，包括：互信息熵获得模块，用于对多种指标影响数据的其中一种指标影响数据与脱硫指标数据进行非线性相关性分析，获得互信息熵值；相关关系确定模块，用于若互信息熵值大于预设阈值，则将互信息熵值对应的指标影响数据确定为相关关系的指标影响数据。

可选地，在本申请实施例中，指标数据获得模块，包括：操作组合获得模块，用于从多种时序数据中的每种时序数据对应的多个操作数据筛选出一个候选操作数据，获得由多个候选操作数据构成的操作组合；神经网络预测模块，用于使用神经网络模型对操作组合和操作组合对应的多种时序数据进行预测。

可选地，在本申请实施例中，优化数据确定模块，具体用于：根据预设条件从多个预测指标数据筛选出最优指标数据，预设条件包括：根据预测指标数据对应的操作数据计算出的操作成本最低，且预测指标数据对应的操作数据不存在异常数据。

可选地，在本申请实施例中，脱硫优化装置还包括：优化建议生成模块，用于根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议；命令生成发送模块，用于根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果。

本申请实施例还提供了一种电子设备，包括：处理器和存储器，存储器存储有处理器可执行的机器可读指令，机器可读指令被处理器执行时执行如上面描述的方法。

本申请实施例还提供了一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上面描述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1示出的本申请实施例提供的训练神经网络模型的流程示意图；

图2示出的本申请实施例提供的FGD出口二氧化硫浓度与炉功率的互信息熵值的示意图；

图3示出的本申请实施例提供的脱硫优化方法的流程示意图；

图4示出的本申请实施例提供的脱硫优化装置的结构示意图；

图5示出的本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。

在介绍本申请实施例提供的脱硫优化方法之前，先介绍本申请实施例中所涉及的一些概念：

机器学习(Machine Learning，ML)，是指人工智能领域中研究人类学习行为的一个分支；借鉴认知科学、生物学、哲学、统计学、信息论、控制论、计算复杂性等学科或理论的观点，通过归纳、一般化、特殊化、类比等基本方法探索人类的认识规律和学习过程，建立各种能通过经验自动改进的算法，使计算机系统能够具有自动学习特定知识和技能的能力。

人工神经网络(Artificial Neural Network，ANN)，简称神经网络(NeuralNetwork，NN)或类神经网络，在机器学习和认知科学领域，是一种模仿生物神经网络(例如：动物的中枢神经系统，可以是大脑)的结构和功能的数学模型或计算模型，人工神经网络用于对函数进行估计或近似；这里的神经网络由大量的人工神经元联结进行计算。

神经网络模型，是指使用预设的训练数据对未经训练的神经网络进行训练后获得的神经网络模型，这里的预设的训练数据可以根据具体实际情况进行设置。

烟气脱硫(Flue gas desulfurization，FGD)，是指从烟道气或其他工业废气中除去硫氧化物，此处的硫氧化物包括但不限于：二氧化硫和三氧化硫，工业常用的脱硫工艺主要分为湿法脱硫、干法脱硫和半干法脱硫三种；其中，湿法脱硫包括：石灰加石膏法、海水法、氨法、双碱法或氧化镁法等，干法脱硫包括：炉内喷钙脱硫法、荷电干法吸收剂喷射脱硫法、电子束照射法和吸附法等；半干法脱硫工艺包括：喷雾干燥法、循环流化床法、增湿灰循环法和烟道喷射法等。

脱硫设备，是指使用烟气脱硫方法对烟气进行脱硫的设备装置，此处以烟气脱硫方法采用石灰加石膏法为例，那么脱硫设备可以包括：锅炉、增压风机和吸收塔等等实体设备。

时间序列数据，又被简称为时序数据，是指同一指标按时间顺序记录的数据列；在同一数据列中的各个数据必须是相同条件下不同时间采集的，要求具有可比性，时序数据可以是时期数，也可以时点数，例如：可以按照每分钟采集或者每小时采集，可以根据具体情况而设置。在本申请实施例中的时序数据是指影响脱硫设备的脱硫效果的时间序列数据。

pH值是衡量溶液酸度或碱度的值，也是溶液中氢离子活度的一种标度，也就是通常意义上溶液酸碱程度的衡量标准。

熵是在概率学中的一个随机变量不确定性的度量；对于一个离散型随机变量x～p(x)，其离散熵可以定义为：

需要说明的是，本申请实施例提供的脱硫优化方法可以被电子设备执行，这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器，设备终端例如：智能手机、个人电脑(personal computer，PC)、平板电脑、个人数字助理(personal digitalassistant，PDA)、移动上网设备(mobile Internet device，MID)、网络交换机或网络路由器等。

在介绍本申请实施例提供的脱硫优化方法之前，先介绍该脱硫优化方法适用的应用场景，这里的应用场景包括但不限于：在工厂或者火力发电厂对排放物进行环保处理的过程中使用该脱硫优化方法，工厂包括但不限于：造纸厂、塑胶厂、化肥厂和农药厂等等，此处的环保处理包括但不限于降低排放物中的有害气体的浓度，具体例如：对排放物中的二氧化硫或三氧化硫进行脱硫处理等。

在本申请实施例中，为了便于描述和理解，均以火力发电厂使用FGD方法对排放物进行脱硫为例进行说明，具体可以采用湿法脱硫工艺中的石灰石或石灰加石膏的方法进行脱硫；具体例如：火力发电厂的锅炉中的煤在燃烧后，会产生的含有大量二氧化硫或者三氧化硫的烟气，将该烟气通过增压风机送入吸收塔中，该烟气被吸收塔中喷淋的工业水所吸收，在该烟气被工业水吸收后会形成酸性溶液，再将酸性溶液流入吸收塔底部，以使该酸性溶液在吸收塔底部与碱性石膏浆液中和，从而有效地中和掉酸性溶液；烟气经过上述处理过程之后，烟气中的二氧化硫浓度或者三氧化硫浓度降低至达到排放标准的浓度，最后，排放出达到标准的浓度的烟气，重新利用中和反应后形成的石膏。

本申请实施例提供的脱硫优化方法的主要思路是，通过采用机器学习中的数据分析方法，使用预先训练的神经网络模型对生成的多个操作数据和脱硫过程中的多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并从多个操作数据中筛选出最优指标数据对应的操作数据；从而可以根据最优指标数据对应的操作数据来优化脱硫过程中的脱硫效果；也就是说，通过使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，从而优化了对烟气进行脱硫优化的效果。

请参见图1示出的本申请实施例提供的训练神经网络模型的流程示意图；为了便于理解和说明，下面先介绍神经网络模型的训练过程，然后再介绍使用神经网络模型进行脱硫优化的过程；其中，神经网络模型的训练过程可以包括：

步骤S110：获取多种指标影响数据和脱硫指标数据。

指标影响数据，是指影响脱硫效果的时间序列数据，即在脱硫过程中的各个影响脱硫效果的时间序列数据。在机器学习领域中，数据按照字段分，一个字段代表一个类型数据，有些类型的数据是必需的，可以简称为必需字段，有些类型的数据不是必须的，可以简称为可选字段。

上述步骤S110中的多种指标影响数据的获取方式包括但不限于如下：

第一种获取方式，采集预设时长的火力发电厂中的脱硫设备在脱硫过程中的指标影响数据的多个字段，将多个字段的指标影响数据作为离线数据，此处的预设时长可以根据具体情况进行设置，例如设置为半年或者一年，采集数据的时间粒度也可以根据具体情况进行设置，采集数据的时间粒度例如设置为：1分钟、3分钟或者10分钟等等；上述的多个字段也可以根据具体情况进行设置，例如根据实际情况多采集一些字段，或者少采集一些字段。

第二种获取方式，按照必需字段和可选字段两种方式采集预设时长的火力发电厂中的脱硫设备在脱硫过程中的指标影响数据，此处的必需字段包括：炉功率、炉送风量信号或净烟气流量之一、FGD入口原烟气温度、FGD入口原烟气二氧化硫浓度、FGD入口原烟气氧气浓度、各级吸收塔浆液循环泵电流、各级吸收塔石膏浆液的pH值、各级吸收塔石膏浆液密度、各级吸收塔液位、各氧化风机电流、FGD出口烟气SO2浓度和FGD出口烟气温度；可选字段包括：炉送风量信号、净烟气流量、FGD入口原烟气烟尘浓度、各级吸收塔出口烟气二氧化硫浓度、各级吸收塔出口烟气中的氧气浓度和各级吸收塔氧化风流量等。

脱硫指标数据，是指表征脱硫效果的时间序列数据，常常采用的脱硫指标数据是FGD出口二氧化硫浓度，当然也可以根据具体实际情况，采用各级吸收塔石膏浆液的pH值或者石膏浆液密度作为脱硫指标数据。

上述步骤S110中的脱硫指标数据的获取方式包括：第一种获取方式，使用传感器采集上述数据，例如使用气体传感器采集FGD出口二氧化硫浓度，然后气体传感器向电子设备发送采集到的脱硫指标数据，或者，使用pH值传感器获取各级吸收塔石膏浆液的pH值，然后pH值传感器向电子设备发送采集到的脱硫指标数据等；第二种获取方式，使用人工采集的方式，具体例如：使用pH试纸测量吸收塔石膏浆液的pH值，或者，对石膏浆液进行采样，分析采样样本中的石膏浆液浓度，将样本中的石膏浆液浓度作为脱硫指标数据等等。

可选地，在获取数据过程中或者之后，还可以对指标影响数据和脱硫指标数据进行预处理，预处理的实施方式包括：对多种指标影响数据和脱硫指标数据进行预处理；其中，预处理包括：异常值识别剔除、合并处理、缺失值填补和降噪处理；异常值识别剔除具体例如：剔除掉炉功率小于其最大功率35％的数据等；合并处理具体例如：若一级液位塔液位的字段数据对应三个测点值，则需要将三个测点值进行合并处理；缺失值填补具体例如：若某字段数据存在缺失，那么可以使用线性插值方法或者均值填补方法进行缺失值填补处理。

在步骤S110之后，执行步骤S120：从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据。

上述步骤S120中的相关关系的分析方式包括但不限于如下几种：

第一种分析方式，对多种指标影响数据中的每个指标影响数据和脱硫指标数据进行非线性相关分析，该分析旨在发现与目标输出变量字段脱硫指标数据，具体例如FGD出口二氧化硫浓度相关的过程变量，以及在时间上相关性的强弱变化规律，以便于模型从变量和时间角度构造特征，该分析方式可以包括：

步骤S121：对多种指标影响数据的其中一种指标影响数据与脱硫指标数据进行非线性相关性分析，获得互信息熵值。

上述步骤S121的实施方式例如：如果指标影响数据x与脱硫指标数据y之间存在相关关系，则因为变量中的不确定性信息减少，那么联合分布熵应小于x与y边际熵的和，使用公式表示为H(x,y)

步骤S122：若互信息熵值大于预设阈值，则将互信息熵值对应的指标影响数据确定为相关关系的指标影响数据。

请参见图2示出的本申请实施例提供的FGD出口二氧化硫浓度与炉功率的互信息熵值的示意图；上述步骤S122的实施方式例如：假设以FGD出口SO2浓度为目标，使用其他字段对其进行互信息熵相关性检测，检测结果包括：FGD出口二氧化硫浓度与FGD入口二氧化硫浓度、FGD出口二氧化硫浓度、FGD入口烟气流量、FGD入口烟气温度、FGD入口烟气烟尘浓度、FGD入口烟气氧气浓度、FGD出口烟气温度、FGD出口烟气氧气浓度、一二级吸收塔浆液的pH值、炉功率和炉送风量等互信息熵值大于预设阈值，也就是说，脱硫指标数据与上述的变量字段强相关，因此，可以将上述的变量字段确定为相关关系的指标影响数据。

第二种分析方式，可以使用其它相关关系分析方法对多种指标影响数据中的每个指标影响数据和脱硫指标数据进行分析，从而发现与目标输出变量字段脱硫指标数据，具体例如FGD出口二氧化硫浓度相关的过程变量，以及在时间上相关性的强弱变化规律；其中，此处的其它相关关系分析方法包括但不限于：协方差及协方差矩阵方法、相关系数分析方法或者多元回归分析方法等等。

在步骤S120之后，执行步骤S130：获取相关关系的指标影响数据对应的优化操作数据。

上述步骤S130的实施方式例如：将指标影响数据与该指标影响数据对应的优化操作数据存储于数据库中，并从数据库中获取相关关系的指标影响数据对应的优化操作数据；其中，此处的数据库包括：内存数据库、关系型数据库和非关系型数据库；可以使用的内存数据库例如：Memcached和Redis等；可以使用的关系型数据库例如：Mysql、PostgreSQL、Oracle和SQLSever等；可以使用的非关系型数据库包括：grakn数据库、Neo4j图数据库、Hadoop子系统HBase、MongoDB和CouchDB等。

在步骤S130之后，执行步骤S140：以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型。

上述步骤S140的实施方式例如：使用神经网络对优化操作数据和相关关系的指标影响数据对应的脱硫指标数据进行预测，获得预测的脱硫指标数据，并将预测的脱硫指标数据作为预测标签，然后使用预设损失函数计算预测标签和训练标签的损失值，并根据该损失值更新神经网络的权重参数，直到神经网络的权重参数收敛时，即可获得训练好的神经网络模型；其中，可用的预设损失函数包括：交叉熵损失函数、平方损失函数、指数损失函数(exponential loss)、0-1损失函数(zero-one loss)和绝对值损失函数等等；当然也可以采用按照权重对上述的几种损失函数进行加权计算，具体例如：模型损失函数为训练标签和预测标签的平均绝对误差与平均绝对百分比误差之和，模型损失函数可以使用公式表示为：loss＝mae(Y,Y′)+smape(Y,Y′)；其中，loss表示模型损失函数获得的损失值，Y表示预测标签，Y’表示训练标签，mae()表示训练标签和预测标签的平均绝对误差，smape()表示训练标签和预测标签的平均绝对百分比误差。

上述的神经网络可以采用深度神经网络(Deep Neural Networks,DNN)，此处的DNN是一种判别模型，可以使用反向传播算法进行训练；可以使用的深度神经网络包括：VGG网络、Resnet网络、Wide Resnet网络和Inception网络等；其中，VGG网络具体例如：VGG16或者VGG19；Resnet网络具体例如：Resnet12、Resnet18、Resnet50或者Resnet101；WideResnet网络具体例如Wide Resnet-28-10网络，这里的Wide Resnet-28-10网络有时又被缩写为WRN-28-10；Inception网络具体例如：Inception v1、Inception v2或者Inceptionv3。

在上述的实现过程中，通过从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；获取相关关系的指标影响数据对应的优化操作数据；以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型；从而使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，优化了对烟气进行脱硫优化的效果。

请参见图3示出的本申请实施例提供的脱硫优化方法的流程示意图；该脱硫优化方法可以包括：

步骤S210：获取脱硫设备在脱硫过程中产生的多种时序数据。

多种时序数据，是指在脱硫过程中产生的时间序列数据，此处的多种时序数据可以是上述必需字段中的数据，也可以是上述必需字段和可选字段的数据，也可以是上述经过相关性分析后的几个字段的数据，具体例如：对多种指标影响数据中的每个指标影响数据和脱硫指标数据进行非线性相关分析，获得相关关系的指标影响数据字段，此处的多种时序数据的字段和相关关系的指标影响数据字段可以是相同的，即多种时序数据的种类和相关关系的指标影响数据种类可以是相同的。

其中，该步骤S210的实施原理和实施方式与步骤S110的实施原理和实施方式是类似的，因此，这里不再对该步骤的实施方式和实施原理进行说明，如有不清楚的地方，可以参考对步骤S110的描述。

在步骤S210之后，执行步骤S220：在多种时序数据中的每种时序数据的变动范围内生成多个操作数据。

上述步骤S220的实施方式有很多种，包括但不限于如下几种：

第一种实施方式，使用随机函数生成多个随机值，并根据在多种时序数据中的每种时序数据的变动范围内将多个随机值进行修改，获得多个修改值，该修改值是在多种时序数据中的每种时序数据的变动范围内的，最后将多个随机值确定为多个操作数据。

第二种实施方式，采用计算机穷举在多种时序数据中的每种时序数据的变动范围内的所有数据值，将在多种时序数据中的每种时序数据的变动范围内的所有数据值确定为多个操作数据。

在步骤S220之后，执行步骤S230：使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据。

上述步骤S230的实施方式可以包括如下步骤：

步骤S231：从多种时序数据中的每种时序数据对应的多个操作数据筛选出一个候选操作数据，获得由多个候选操作数据构成的操作组合。

上述步骤S231的实施方式例如：从多种时序数据中的其中一种时序数据对应的多个操作数据筛选出第一候选操作数据，以及多种时序数据中的另一种时序数据对应的多个操作数据筛选出第二候选操作数据，以此类推，从而可以获得多个候选操作数据作为一个操作组合，即可获得由多个候选操作数据构成的操作组合。

步骤S232：使用神经网络模型对操作组合和操作组合对应的多种时序数据进行预测，获得多个预测指标数据。

上述步骤S232的实施方式例如：使用上述的训练数据和训练标签训练后，获得神经网络模型，并使用训练后的神经网络模型能够对操作组合和操作组合对应的多种时序数据进行预测，从而获得多个预测指标数据。

在上述的实现过程中，从时序数据中的每种时序数据对应的多个操作数据筛选出的操作数据作为操作组合，使用神经网络模型对操作组合和操作组合对应的多种时序数据进行预测，从而增加了对操作组合和操作组合对应的多种时序数据进行预测的准确率。

在步骤S230之后，执行步骤S240：从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。

上述步骤S240的实施方式包括：根据预设条件从多个预测指标数据筛选出最优指标数据，预设条件包括：根据预测指标数据对应的操作数据计算出的操作成本最低，且预测指标数据对应的操作数据不存在异常数据。当然，在具体的实施过程中，还可以结合机器学习算法中的预设算法来优化上述步骤S240的过程，以及可以采用其他异常数据识别技术中的预设算法对异常样本进行筛除；此处的预设算法包括但不限于：局部异常因子(LocalOutlier Factor，LOF)算法、遗传算法、模拟退火法、蚁群算法和粒子群算法等。

在上述的实现过程中，通过采用机器学习中的数据分析方法，使用预先训练的神经网络模型对生成的多个操作数据和脱硫过程中的多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并从多个操作数据中筛选出最优指标数据对应的操作数据；从而可以根据最优指标数据对应的操作数据来优化脱硫过程中的脱硫效果；也就是说，通过使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，从而优化了对烟气进行脱硫优化的效果。

可选地，在根据最优指标数据确定出操作数据之后，还可以根据优化操作数据对脱硫过程进行优化，对脱硫过程进行优化的实施方式有很多种，包括但不限于如下几种：

第一种实施方式，根据优化操作数据生成并生成优化操作建议，以便于操作人员在阅读优化操作建议之后，根据优化操作建议对应操作，从而优化脱硫效果，该实施方式可以包括：根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议；具体例如：根据最优指标数据对应的操作数据便可解析出各操作变量在未来时期各自的操作变动情况，模型会自动根据最优指标数据对应的操作数据生成优化操作建议，生成的优化操作建议具体例如：“脱硫过程未来120分钟操作建议、当前时间:2020-07-14T10:01:00+08:00、历史数据样本是否正常:正常、优化建议样本是否正常:正常、将氧化风机A电流状态调整为关，并保持、将氧化风机B电流状态调整为开，并保持”。

第二种实施方式，根据优化操作数据生成操作指令，将操作指令发送给脱硫设备，以使脱硫设备执行操作指令，从而达到脱硫优化的效果，该实施方式可以包括：根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果。

第三种实施方式，熟练操作工人在阅读操作数据之后，熟练操作工人可以根据操作数据对脱硫设备进行对应操作，即可达到优化脱硫设备的脱硫效果。

在上述的实现过程中，通过根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议；或者，根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果；从而减少了在脱硫过程中的人力成本，也有效地提高了在脱硫过程中的脱硫效果。

请参见图4示出的本申请实施例提供的脱硫优化装置的结构示意图；本申请实施例提供了一种脱硫优化装置300，包括：

时序数据获取模块310，用于获取脱硫设备在脱硫过程中产生的多种时序数据，时序数据是影响脱硫设备的脱硫效果的时间序列数据。

操作数据生成模块320，用于在多种时序数据中的每种时序数据的变动范围内生成多个操作数据。

指标数据获得模块330，用于使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据。

优化数据确定模块340，用于从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。

可选地，在本申请实施例中，脱硫优化装置还包括：

指标数据获取模块，用于获取多种指标影响数据和脱硫指标数据，指标影响数据是影响脱硫效果的时间序列数据，脱硫指标数据是表征脱硫效果的时间序列数据。

指标数据筛选模块，用于从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据。

优化数据获取模块，用于获取相关关系的指标影响数据对应的优化操作数据。

网络模型获得模块，用于以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型。

可选地，在本申请实施例中，脱硫优化装置，还可以包括：

数据预设处理模块，用于对多种指标影响数据和脱硫指标数据进行预处理，预处理包括：异常值识别剔除、缺失值填补和降噪处理。

可选地，在本申请实施例中，指标数据筛选模块，包括：

互信息熵获得模块，用于对多种指标影响数据的其中一种指标影响数据与脱硫指标数据进行非线性相关性分析，获得互信息熵值。

相关关系确定模块，用于若互信息熵值大于预设阈值，则将互信息熵值对应的指标影响数据确定为相关关系的指标影响数据。

可选地，在本申请实施例中，指标数据获得模块，包括：

操作组合获得模块，用于从多种时序数据中的每种时序数据对应的多个操作数据筛选出一个候选操作数据，获得由多个候选操作数据构成的操作组合。

神经网络预测模块，用于使用神经网络模型对操作组合和操作组合对应的多种时序数据进行预测。

可选地，在本申请实施例中，优化数据确定模块，具体用于：根据预设条件从多个预测指标数据筛选出最优指标数据，预设条件包括：根据预测指标数据对应的操作数据计算出的操作成本最低，且预测指标数据对应的操作数据不存在异常数据。

可选地，在本申请实施例中，脱硫优化装置还包括：

优化建议生成模块，用于根据最优指标数据对应的操作数据生成优化操作建议，并输出优化操作建议。

命令生成发送模块，用于根据最优指标数据对应的操作数据生成优化操作指令，并向脱硫设备发送优化操作指令，优化操作指令用于被脱硫设备执行并优化脱硫效果。

应理解的是，该装置与上述的脱硫优化方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置具体的功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system，OS)中的软件功能模块。

请参见图5示出的本申请实施例提供的电子设备的结构示意图。本申请实施例提供的一种电子设备400，包括：处理器410和存储器420，存储器420存储有处理器410可执行的机器可读指令，机器可读指令被处理器410执行时执行如上的方法。

本申请实施例还提供了一种存储介质430，该存储介质430上存储有计算机程序，该计算机程序被处理器410运行时执行如上的方法。

其中，存储介质430可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请实施例提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的，例如，附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这主要根据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以使用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上的描述，仅为本申请实施例的可选实施方式，但本申请实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请实施例的保护范围之内。