本发明涉及火力发电
技术领域：
，特别涉及一种锅炉吹灰方法、装置和计算机可读存储介质。
背景技术：
：燃煤发电是主要发电方式之一。许多电厂的燃用煤种与设计煤种存在巨大差距，这可能导致锅炉受热面严重积灰和结渣，给机组的正常运行带来较大的安全隐患。因此，大型锅炉配有吹灰器以吹灰清渣。大多数电厂根据经验制定按时、定量的吹灰模式。技术实现要素：发明人经过分析后发现，由于缺乏炉内实时积灰的直观数据，大多数电厂根据经验制定的吹灰模式并不合理。吹灰不足会引起受热面的传热性能下降，而吹灰次数过多会导致蒸汽的浪费以及对受热面造成冲蚀。因此，如何建立积灰度监测模型并基于实时监测结果制定合理的吹灰方案，成为大型火电机组需要解决的难题。本发明实施例所要解决的一个技术问题是：如何提供一种有效的吹灰方案。根据本发明一些实施例的第一个方面，提供一种锅炉吹灰方法，包括：获取表示当前锅炉运行状态的特征；将获取的特征输入到预先训练的预测模型中，得到预测的烟温，预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；将当前锅炉的实际烟温与预测的烟温之差作为积灰度；根据积灰度确定吹灰操作的执行策略。在一些实施例中，锅炉吹灰方法还包括：从锅炉在清洁工况下的运行状态的历史数据中提取特征，形成训练数据，训练数据的标记值为锅炉的烟温；采用训练数据对用于回归预测的机器学习模型进行训练，获得预测模型。在一些实施例中，机器学习模型为随机森林模型，随机森林模型中的决策树为分类与回归树cart模型。在一些实施例中，根据积灰度确定吹灰操作的执行策略包括：获取积灰度随时间变化的曲线以及曲线上的门限点；根据曲线，确定当前的积灰度对应的时间与曲线上的门限点对应的时间之间的时长；确定在时长后执行吹灰操作的执行策略。在一些实施例中，曲线上存在多个门限点，每个门限点对应一种吹灰模式；根据曲线，确定当前的积灰度对应的时间与曲线上的每个门限点对应的时间之间的时长；确定在每个时长后执行相应的吹灰操作的执行策略。在一些实施例中，锅炉吹灰方法还包括：获取锅炉的运行状态的历史数据，并标记每个历史数据相对于上一次吹灰操作的时间；以相对于上一次吹灰操作的时间作为横坐标、积灰度作为纵坐标，对历史数据进行拟合，获得积灰度随时间变化的曲线。在一些实施例中，锅炉吹灰方法还包括：根据锅炉的运行状态的历史数据，确定执行吹灰操作后积灰度的下降值；根据积灰度的下降值的均值确定积灰度阈值，以便将曲线上积灰度阈值所对应的点作为门限点。在一些实施例中，特征包括锅炉壁温、负荷、蒸汽压力、主蒸汽温度、再热蒸汽温度、减温水流量、炉膛负压、氧量、烟道飞灰含碳量中的一种或多种。根据本发明一些实施例的第二个方面，提供一种锅炉吹灰装置，包括：特征获取模块，被配置为获取表示当前锅炉运行状态的特征；烟温预测模块，被配置为将获取的特征输入到预先训练的预测模型中，得到预测的烟温，预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；积灰度确定模块，被配置为将当前锅炉的实际烟温与预测的烟温之差作为积灰度；策略确定模块，被配置为根据积灰度确定吹灰操作的执行策略。根据本发明一些实施例的第三个方面，提供一种锅炉吹灰装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种锅炉吹灰方法。根据本发明一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意一种锅炉吹灰方法。上述发明中的一些实施例具有如下优点或有益效果：本发明根据锅炉运行状态的特征预测当前锅炉的积灰度，并确定相应的吹灰执行策略。从而，通过数据驱动的方式实现了吹灰控制，提高了积灰度预测的准确性，优化了吹灰效果。通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，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。图1示出了根据本发明一些实施例的锅炉吹灰方法的流程示意图。图2示例性地示出了烟温变化示意图、锅炉负荷变化示意图、积灰度对烟温的影响程度示意图、吹灰操作执行示意图。图3示例性地示出了低温过热器进口烟温变化示意图、预测的烟温变化示意图、锅炉负荷变化示意图、积灰度对烟温的影响程度示意图、吹灰操作执行示意图。图4示例性地示出了烟温变化示意图、积灰度变化示意图、吹灰模式示意图、吹灰操作执行示意图。图5示出了根据本发明一些实施例的预测模型训练方法的流程示意图。图6示出了根据本发明一些实施例的执行策略的确定方法的流程示意图。图7示出了根据本发明另一些实施例的执行策略的确定方法的流程示意图。图8示出了根据本发明一些实施例的锅炉吹灰装置的结构示意图。图9示出了根据本发明另一些实施例的锅炉吹灰装置的结构示意图。图10示出了根据本发明又一些实施例的锅炉吹灰装置的结构示意图。具体实施方式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实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。图1示出了根据本发明一些实施例的锅炉吹灰方法的流程示意图。如图1所示，该实施例的锅炉吹灰方法包括步骤s102～s108。在步骤s102中，获取表示当前锅炉运行状态的特征。锅炉例如可以是火力发电机组所使用的。发明人对历史数据进行了分析，历史数据包括锅炉的运行状态、吹灰动作、烟温等等。通过对历史数据进行数据挖掘，确定了运行状态中各个特征的分布，并筛选了与吹灰动作的出现关联性较大的特征，以用于积灰度的预测。在一些实施例中，在积灰度预测时所使用的特征包括锅炉壁温、负荷、蒸汽压力、主蒸汽温度、再热蒸汽温度、减温水流量、炉膛负压、氧量、烟道飞灰含碳量中的一种或多种。图2中依次示出了四个坐标示意图，每个坐标示意图的纵坐标分别表示烟温、锅炉负荷、积灰度对烟温的影响程度、吹灰操作的执行，横坐标均为时间、且四个示意图的横坐标轴相同。在吹灰操作的执行示意图中，柱状部分表示执行了吹灰操作。从图2中可以看出，锅炉负荷会对积灰度造成影响。因此，可以将负荷作为特征之一。在步骤s104中，将获取的特征输入到预先训练的预测模型中，得到预测的烟温，其中，预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温。在一些实施例中，机器学习模型为随机森林模型，随机森林模型中的决策树为cart(classificationandregressiontree，分类与回归树)模型。预测模型的输出为对每个决策树的预测结果求均值后的值。在步骤s106中，将当前锅炉的实际烟温与预测的烟温之差作为积灰度。预测模型输出的是当前运行状态下已清洁的锅炉的烟温、即未积灰或少量积灰的锅炉的烟温。从而实际烟温与预测的烟温之差可以衡量当前的积灰程度。采集的实际烟温例如可以是在低温过热器、低温再热器、省煤器、空预器出采集的。大多数锅炉会在这些位置部署常规的温度传感器，因此本发明在采集烟温时无需在锅炉内等位置加装高成本的传感器，对设备的改造较小、甚至无改造。图3中依次示出了五个坐标示意图，每个坐标示意图的纵坐标分别表示低温过热器进口烟温、烟温预测值、锅炉运行负荷、积灰度对烟温的影响程度、吹灰操作的执行，横坐标均为时间、且五个示意图的横坐标轴相同。在吹灰操作的执行示意图中，柱状部分表示执行了吹灰操作。图4中依次示出了四个坐标示意图，每个坐标示意图的纵坐标分别表示烟温、积灰度、吹灰模式、吹灰操作的执行，横坐标均为时间、且四个示意图的横坐标轴相同。在吹灰操作的执行示意图中，柱状部分表示执行了吹灰操作。吹灰模式对应的纵坐标的不同值表示不同的吹灰模式。在步骤s108中，根据积灰度确定吹灰操作的执行策略。例如，可以向终端推送执行策略以供工作人员参考，或者控制吹灰执行部件根据执行策略进行吹灰操作。通过上述实施例，可以根据锅炉运行状态的特征预测当前锅炉的积灰度，并确定相应的吹灰执行策略。从而，通过数据驱动的方式实现了吹灰控制，提高了积灰度预测的准确性，优化了吹灰效果。下面参考图5描述本发明预测模型训练方法的实施例。图5示出了根据本发明一些实施例的预测模型训练方法的流程示意图。如图5所示，该实施例的训练方法包括步骤s502～s504。在步骤s502中，从锅炉在清洁工况下的运行状态的历史数据中提取特征，形成训练数据，其中，训练数据的标记值为锅炉的烟温。在步骤s504中，采用训练数据对用于回归预测的机器学习模型进行训练，获得预测模型。由于训练数据为锅炉在清洁工况下的运行状态的历史数据，因此训练后的模型能够准确地预测同等运行状态下清洁的锅炉的烟温，提高了积灰度预测的准确性，进而优化了吹灰效果。下面以随机森林模型为例，描述预测模型的训练过程。1.对每个特征以及特征的每个取值进行遍历。设当前选取的特征为c，取值为v，将(c,v)作为划分数据集的切分点。2.采用具有最小损失的切分点对输入空间进行划分、生成新的空间。对于新的空间，继续采用1中的步骤确定新的空间中的划分点。迭代执行上述过程，最终将用于预测积灰度的特征所构成的空间划分为m个输入区域。模型的总损失采用公式(1)表示，得到的cart模型采用公式(2)表示。在公式(1)和(2)中，m表示划分后所得区域的数量，m表示区域标识，rm表示第m个区域，cm表示当前区域所有样本的输出值的均值；c表示划分时所选取的特征，v表示所选取特征的取值，(c,v)表示划分数据集的切分点。x表示输入值；在x∈rm的情况下，i＝1，否则i＝0。本领域技术人员还可以采用其他的训练方式，这里不再赘述。在一些实施例中，可以对历史数据进行拟合，以获得积灰度变化曲线，从而预测在何时执行吹灰操作。下面参考图6描述本发明执行策略的确定方法的实施例。图6示出了根据本发明一些实施例的执行策略的确定方法的流程示意图。如图6所示，该实施例的执行策略确定方法包括步骤s602～s606。在步骤s602中，获取积灰度随时间变化的曲线以及曲线上的门限点。在一些实施例中，可以使用本发明前述的积灰度预测方法，根据历史数据的特征和烟温来预测历史数据的积灰度，以获取积灰度随时间变化的曲线。在一些实施例中，获取锅炉的运行状态的历史数据，并标记每个历史数据相对于上一次吹灰操作的时间；以相对于上一次吹灰操作的时间作为横坐标、积灰度作为纵坐标，对历史数据进行拟合，获得积灰度随时间变化的曲线。从而，该曲线可以反映每次吹灰后的积灰度变化。在一些实施例中，使用最小二乘法进行数据拟合。在一些实施例中，根据锅炉的运行状态的历史数据，确定执行吹灰操作后积灰度的下降值；根据积灰度的下降值的均值确定积灰度阈值，以便将曲线上积灰度阈值所对应的点作为门限点。本领域技术人员也可以采用其他方式来设置门限点，例如根据曲线的转折点、锅炉运行的安全参数等等，这里不再赘述。在步骤s604中，根据曲线，确定当前的积灰度对应的时间与曲线上的门限点对应的时间之间的时长。在步骤s606中，确定在时长后执行吹灰操作的执行策略。例如，在曲线坐标系中，当前的积灰度对应的时间为t0，门限点对应的时间为t1，并且t0<t1，则可以确定在t1-t0的时长后来执行吹灰操作。本发明的一些实施例还可以确定多种吹灰模式对应的门限点，并在确定执行策略时也确定吹灰模式。下面参考图7描述本发明执行策略的确定方法的实施例。图7示出了根据本发明另一些实施例的执行策略的确定方法的流程示意图。如图7所示，该实施例的执行策略确定方法包括步骤s702～s706。在步骤s702中，获取积灰度随时间变化的曲线以及曲线上的多个门限点，其中，每个门限点对应一种吹灰模式。在步骤s704中，根据曲线，确定当前的积灰度对应的时间与曲线上的每个门限点对应的时间之间的时长。在步骤s706中，确定在每个时长后执行相应的吹灰操作的执行策略。表1示例性地示出了通过对历史数据的分析后所得到的每种吹灰模式对应的积灰度阈值和吹灰后的积灰下降程度。表1吹灰模式积灰度阈值平均下降程度单数吹灰枪进行吹灰0.62411.3％-37.5％(32.6％)双数吹灰枪进行吹灰0.62915.4％-38.1％(33.7％)全部吹灰枪进行吹灰0.83141.6％-78.9％(60.4％)从表1可以看出，单数吹灰枪进行吹灰、双数吹灰枪进行吹灰、全部吹灰枪进行吹灰的阈值依次递增。根据这三种吹灰模式的积灰度阈值设置门限点，并且设单数吹灰枪进行吹灰、双数吹灰枪进行吹灰、全部吹灰枪进行吹灰分别对应的门限点的时间值为t1’、t2’和t3’，并且t1’<t2’<t3’。如果预测的当前积灰度为t0’，并且t0’<t1’，则可以确定三种吹灰策略：策略1为在t1’-t0’的时长后使用单数吹灰枪进行吹灰；策略2为在t2’-t0’的时长后使用双数吹灰枪进行吹灰；策略3为在t3’-t0’的时长后使用全部吹灰枪进行吹灰。如果t1’<t0’<t2’，则可以确定策略2和3。在执行时，可以选择其中的任意一种策略，或者根据预先配置等方式来选择策略。下面参考图8描述本发明锅炉吹灰装置的实施例。图8示出了根据本发明一些实施例的锅炉吹灰装置的结构示意图。如图8所示，该实施例的锅炉吹灰装置80包括：特征获取模块810，被配置为获取表示当前锅炉运行状态的特征；烟温预测模块820，被配置为将获取的特征输入到预先训练的预测模型中，得到预测的烟温，预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；积灰度确定模块830，被配置为将当前锅炉的实际烟温与预测的烟温之差作为积灰度；策略确定模块840，被配置为根据积灰度确定吹灰操作的执行策略。在一些实施例中，锅炉吹灰装置80还包括：训练模块850，被配置为从锅炉在清洁工况下的运行状态的历史数据中提取特征，形成训练数据，训练数据的标记值为锅炉的烟温；采用训练数据对用于回归预测的机器学习模型进行训练，获得预测模型。在一些实施例中，机器学习模型为随机森林模型，随机森林模型中的决策树为分类与回归树cart模型。在一些实施例中，策略确定模块840进一步被配置为获取积灰度随时间变化的曲线以及曲线上的门限点；根据曲线，确定当前的积灰度对应的时间与曲线上的门限点对应的时间之间的时长；确定在时长后执行吹灰操作的执行策略。在一些实施例中，曲线上存在多个门限点，每个门限点对应一种吹灰模式；策略确定模块840进一步被配置为根据曲线确定当前的积灰度对应的时间与曲线上的每个门限点对应的时间之间的时长；确定在每个时长后执行相应的吹灰操作的执行策略。在一些实施例中，锅炉吹灰装置80还包括：曲线拟合模块860，被配置为获取锅炉的运行状态的历史数据，并标记每个历史数据相对于上一次吹灰操作的时间；以相对于上一次吹灰操作的时间作为横坐标、积灰度作为纵坐标，对历史数据进行拟合，获得积灰度随时间变化的曲线。在一些实施例中，锅炉吹灰装置80还包括：门限点确定模块870，被配置为根据锅炉的运行状态的历史数据，确定执行吹灰操作后积灰度的下降值；根据积灰度的下降值的均值确定积灰度阈值，以便将曲线上积灰度阈值所对应的点作为门限点。在一些实施例中，特征包括锅炉壁温、负荷、蒸汽压力、主蒸汽温度、再热蒸汽温度、减温水流量、炉膛负压、氧量、烟道飞灰含碳量中的一种或多种。图9示出了根据本发明另一些实施例的锅炉吹灰装置的结构示意图。如图9所示，该实施例的锅炉吹灰装置90包括：存储器910以及耦接至该存储器910的处理器920，处理器920被配置为基于存储在存储器910中的指令，执行前述任意一个实施例中的锅炉吹灰方法。其中，存储器910例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。图10示出了根据本发明又一些实施例的锅炉吹灰装置的结构示意图。如图10所示，该实施例的锅炉吹灰装置100包括：存储器1010以及处理器1020，还可以包括输入输出接口1030、网络接口1040、存储接口1050等。这些接口1030，1040，1050以及存储器1010和处理器1020之间例如可以通过总线1060连接。其中，输入输出接口1030为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口1040为各种联网设备提供连接接口。存储接口1050为sd卡、u盘等外置存储设备提供连接接口。本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种锅炉吹灰方法。本领域内的技术人员应当明白，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非瞬时性存储介质(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。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。应理解为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。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。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。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3
技术特征：1.一种锅炉吹灰方法，包括：
获取表示当前锅炉运行状态的特征；
将获取的特征输入到预先训练的预测模型中，得到预测的烟温，其中，所述预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；
将当前锅炉的实际烟温与预测的烟温之差作为积灰度；
根据所述积灰度确定吹灰操作的执行策略。
2.根据权利要求1所述的锅炉吹灰方法，还包括：
从锅炉在清洁工况下的运行状态的历史数据中提取特征，形成训练数据，其中，所述训练数据的标记值为锅炉的烟温；
采用所述训练数据对用于回归预测的机器学习模型进行训练，获得预测模型。
3.根据权利要求1或2所述的锅炉吹灰方法，其中，所述机器学习模型为随机森林模型，所述随机森林模型中的决策树为分类与回归树cart模型。
4.根据权利要求1所述的锅炉吹灰方法，其中，所述根据所述积灰度确定吹灰操作的执行策略包括：
获取积灰度随时间变化的曲线以及所述曲线上的门限点；
根据所述曲线，确定当前的积灰度对应的时间与所述曲线上的门限点对应的时间之间的时长；
确定在所述时长后执行吹灰操作的执行策略。
5.根据权利要求1所述的锅炉吹灰方法，其中，所述曲线上存在多个门限点，每个门限点对应一种吹灰模式；
根据所述曲线，确定当前的积灰度对应的时间与所述曲线上的每个门限点对应的时间之间的时长；
确定在每个时长后执行相应的吹灰操作的执行策略。
6.根据权利要求4或5所述的锅炉吹灰方法，还包括：
获取锅炉的运行状态的历史数据，并标记每个历史数据相对于上一次吹灰操作的时间；
以相对于上一次吹灰操作的时间作为横坐标、积灰度作为纵坐标，对历史数据进行拟合，获得积灰度随时间变化的曲线。
7.根据权利要求4或5所述的锅炉吹灰方法，还包括：
根据锅炉的运行状态的历史数据，确定执行吹灰操作后积灰度的下降值；
根据所述积灰度的下降值的均值确定积灰度阈值，以便将所述曲线上所述积灰度阈值所对应的点作为门限点。
8.根据权利要求1所述的锅炉吹灰方法，其中，所述特征包括锅炉壁温、负荷、蒸汽压力、主蒸汽温度、再热蒸汽温度、减温水流量、炉膛负压、氧量、烟道飞灰含碳量中的一种或多种。
9.一种锅炉吹灰装置，包括：
特征获取模块，被配置为获取表示当前锅炉运行状态的特征；
烟温预测模块，被配置为将获取的特征输入到预先训练的预测模型中，得到预测的烟温，其中，所述预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；
积灰度确定模块，被配置为将当前锅炉的实际烟温与预测的烟温之差作为积灰度；
策略确定模块，被配置为根据所述积灰度确定吹灰操作的执行策略。
10.一种锅炉吹灰装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1～8中任一项所述的锅炉吹灰方法。
11.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1～8中任一项所述的锅炉吹灰方法。
技术总结本发明公开了一种锅炉吹灰方法、装置和计算机可读存储介质，涉及火力发电技术领域。锅炉吹灰方法包括：获取表示当前锅炉运行状态的特征；将获取的特征输入到预先训练的预测模型中，得到预测的烟温，预测模型用于预测清洁工况的锅炉在当前锅炉运行状态下的烟温；将当前锅炉的实际烟温与预测的烟温之差作为积灰度；根据积灰度确定吹灰操作的执行策略。本发明根据锅炉运行状态的特征预测当前锅炉的积灰度，并确定相应的吹灰执行策略。从而，通过数据驱动的方式实现了吹灰控制，提高了积灰度预测的准确性，优化了吹灰效果。
技术研发人员：殷宏磊;詹仙园;张玥;霍雨森;朱翔宇;郑宇
受保护的技术使用者：京东城市(北京)数字科技有限公司
技术研发日：2020.01.09
技术公布日：2020.06.05
