一种锅炉在线燃烧优化控制方法、系统及计算机设备与流程

本发明属于火电厂燃煤锅炉的优化运行技术领域，尤其涉及一种锅炉在线燃烧优化控制方法、系统及计算机设备。

背景技术：

目前，电力工业是国民经济的命脉，是现代社会发展的基础。我国的发电形式有水力发电、燃煤发电、核能发电、风力发电、太阳能发电等，但目前，以燃煤为主的火力发电仍然在我国电力行业占据主导地位，是我国能源供应体系的主力电源。以煤炭为原料的火力发电在为人们生活与工业运转提供电力的同时，也带来了煤炭消耗量大与空气污染这两个问题。因此火电厂不仅需要提高运行效率来尽可能的减少煤炭的消耗量，还需要控制大气污染物的排放量来保护环境。所以，大力发展清洁高效的燃烧优化技术，对锅炉燃烧过程进行控制，使锅炉处于低氮排放、高热效率的工作状态是现在亟需解决的问题。

目前国内的电站燃烧运行主要由运行人员根据自己的工程经验进行燃烧调整，但是由于锅炉燃烧的复杂性，此种方法费时费力而且优化效果不太理想。近年来随着机器学习与智能算法的不断发展，为锅炉燃烧优化提供了一种新的方向。通过建立一个精确的锅炉燃烧系统模型，并以此模型为基础，通过智能算法优化锅炉运行时的可调参数，给出可调参数的最佳值，可以实现锅炉的清洁高效运行。但是现有的一些方法存在模型精确度不足、优化效果比较差等问题。

综上，在当前的能源与环境形势下亟需建立一个准确、高效的锅炉燃烧系统模型与优化模型，以克服锅炉燃烧系统模型精确度不足、实际优化效果较差的问题，达到更好的指导操作人员进行锅炉生产参数调节，实现提高锅炉燃烧效率和降低氮氧化物排放的目的。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种锅炉在线燃烧优化控制方法、系统及计算机设备。

为实现上述目的，本发明提供如下技术方案：

一种锅炉在线燃烧优化控制方法，包括以下步骤：

步骤一，从电厂dcs系统中获取燃煤锅炉的特征参量历史数据与nox排放量、热效率数据，并进行数据的预处理。

步骤二，利用高斯混合模型gmm算法对处理后的锅炉运行数据按照负荷工况的分布进行聚类划分，进而对数据进行重采样。

步骤三，以重采样后的数据作为样本数据构建锅炉燃烧特性模型；所述锅炉燃烧特性模型是基于改进的花授粉算法sfpa优化svm后得到的。

步骤四，从电厂dcs系统中获取锅炉的实时特征参量数据，并进行数据的预处理。

步骤五，将实时特征参量数据作为输入，代入已经训练好的锅炉燃烧特性模型中。

步骤六，采用改进的非支配排序遗传算法insga-ii作为优化算法，结合优化目标与锅炉燃烧特性模型，对锅炉运行可调参数进行寻优。

步骤七，工程人员根据电厂锅炉实际运行需求从pareto解集中选择一个最优解，并将最优解与锅炉实时参量进行对比，计算其优化偏置量，送入dcs系统实现优化控制。

进一步，步骤一中，所述从电厂dcs系统中采集的特征参量为锅炉负荷、给煤量、烟气含氧量、一次风量、一次风温、二次风量、二次风温、飞灰含碳量。

所述从电厂dcs系统中采集的特征参量历史数据应为剔除掉锅炉故障运行时间段内的数据之后的数据。

所述数据预处理的方法为：采用归一化的处理方法，以避免所采集数据由于物理意义和单位的不同对所建模型造成的影响，便于数据的应用。

进一步，步骤二中，所述采用高斯混合模型(gmm)根据锅炉负荷分布对锅炉运行参数数据进行聚类及重采样的方法，包括：

(1)设样本集为x，样本数量为n；根据样本数据对应的负荷参数的取值范围(χmin，χmax)来对区间进行划分，划分标准为每区间符合范围为10mw，以此将区间等分为k＝round((xmax-xmin)/10)(k≥2)；并设锅炉负荷的高斯混合模型共含有k个分量(k＝k)；

(2)初始化高斯混合模型，其公式为：

式中，φk为混合系数，其满足表示模型中的第k个分量；

设各分量混合系数为1/k，各分量的均值为对应符合区间的中心值，初始方差设置为20；

(3)根据高斯混合模型算法对样本数据进行聚类，得到聚类后的样本集为c＝{c1,c2,c3,...,ck}，如果相聚最近的两个簇之间的负荷均值差之间的绝对值小于5，则将k-1→k，并返回执行步骤(2)；

(4)得到最终的聚类结果后，根据锅炉数据中的聚类结果对其进行重采样。采样规则为：聚类后的簇对应的混合系数φk大于1/k且其符合数据方差小于10，同时满足以上两个条件则进行重采样，具体采样公式为：

式中，round()为四舍五入取整函数。

进一步，步骤三中，所述采用改进的花授粉算法sfpa优化svm来建立锅炉燃烧特性模型，并将其应用到锅炉燃烧优化中；用锅炉负荷、给煤量、烟气含氧量、一次风量、一次风温、二次风量、二次风温、飞灰含碳量来作为模型的输入变量，nox排放量、锅炉热效率作为输出变量，对锅炉燃烧特性模型进行训练。

进一步，步骤三中，所述利用模拟退火算法与花授粉算法相结合形成新的sfpa优化算法；然后利用sfpa优化算法来对svm的核函数参数σ、惩罚系数c与不敏感损失函数ε进行参数寻优的方法，包括，

(1)初始化sfpa优化算法，确定c、σ、ε三个参数的取值范围，设花朵种群数量为n，最大的迭代次数为itermax，转换概率为p，初始温度为t，退温常数为θ；

(2)随机产生n个解，每个解向量对应一个三维的向量(c，σ，ε)，并找到当前情况下的最优解与最小误差fmin；

(3)根据下式来确定当前温度下各个sol(i)的误差值

式中，sol(i)为当前解向量的某个值，best为全局中的最优值，t为退火的初始温度；

(4)根据轮盘赌策略从所有的sol(i)中找到全局最优值的某个替代值，并记为best_plus；

(5)当p＞rand时，使用下式更新解向量，并进行解向量的越界处理：

式中，λ＝1.5，m为常数，γ(λ)是标准的伽马函数；

(6)当p＜rand时，则使用下式更新解向量，并进行解向量的越界处理：

式中，δ是在0至1之间服从均匀分布的随机数，与是相同种类的不同花朵的花粉；

(7)对步骤(5)或(6)中所形成的新的解的误差进行判断，若小于fmin，则对当前解进行更新，否则则对当前解进行保留；

(8)如果形成的新解所对应的最小误差比全局最小误差还小，则更新全局最优解与全局最小误差；

(9)进行退温操作；

(10)判断其fmin是否达到锅炉燃烧建模的预测精度，如果达到，则程序终止，并输出此时最优的一组解(c，σ，ε)与全局最小误差fmin，否则则跳转到步骤(3)进行继续搜索。

进一步，步骤六中，所述锅炉运行可调参数为给煤量、一次风量、二次风量、烟气含氧量，将其作为优化变量进行寻优，剩余的不可调参数在寻优过程中作为固定值保持不变；所述多目标优化目标为：

式中，为锅炉nox排放浓度，fη(x)为锅炉热效率，xi为第i个可优化锅炉运行可调参数，ai与bi为优化参数的取值范围。

进一步，步骤六中，所述insga-ii算法由nsga-ii算法改进得来，所述改进方法包括：

(1)通过扩大第一代种群规模，在初期加速种群的进化，提高算法的收敛性；若种群个体为n，初始化种群的个体数目可以设置为1.5n到2n之间。

(2)通过对选择算子引入概率操作，扩大种群的多样性，提高解集的分布性；概率操作的计算公式为：

式中，ω为概率选择算子参数，g为进化代数。

(3)引入混合交叉算子，动态调节算法的搜索空间；混合交叉算子为在sbx交叉算子的基础上引入高斯分布交叉算子ndx，并自适应地调整这两种交叉算子权重。令u为区间(0,1)上均匀分布产生的随机数，r＝|n(0,1)|为高斯分布随机变量的值，当u≤0.5时，个体在上述混合交叉算子下的更新公式为：

当u＞0.5时，个体在上述混合交叉算子下的更新公式为：

式中，x1,i和x2,i为混合交叉算子所产生的子代个体第i个变量的值；m＝p1,i+p2,i,n＝p1,i-p2,i，p1,i和p2,i是父代个体第i个变量的值；g为当前迭代次数，g为总的迭代次数，ηc为混合交叉算子参数。

进一步，步骤六中，所述insga-ii优化算法的具体步骤包括：

(1)初始化insga-ii算法：设种群规模为n，初始化种群p0的规模n0＝1.5n～2n，最大迭代次数g，概率选择算子参数ω，混合交叉算子参数ηc；

(2)随机产生n0个个体作为父代种群p0；

(3)当前迭代次数g＝0，对父代种群p0进行概率选择、混合交叉与变异操作，生成子代种群q0；

(4)将父代种群pt与子代种群qt进行合并，生成新种群rt，并对新种群rt进行快速非支配排序；

(5)利用精英策略，从新种群rt中选择出n个优良个体，生成新的父代种群pt+1；

(6)对新种群pt+1进行概率选择、混合交叉与变异操作，生成新的子代种群qt+1；

(7)若当前迭代次数g不小于最大迭代次数g，则算法结束，否则g＝g+1，并跳转到步骤(4)进行循环。

进一步，步骤七中，在所述dcs系统侧添加优化偏置逻辑，将优化偏置迭加于所优化变量的控制指令上；并将优化得到的给煤量、一次风量、二次风量、烟气含氧量与实际给煤量、一次风量、二次风量、烟气含氧量之差作为优化偏置，送入dcs系统实现锅炉的在线燃烧优化控制。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

从电厂dcs系统中获取燃煤锅炉的特征参量历史数据与nox排放量、热效率数据，并进行数据的预处理；

利用高斯混合模型gmm算法对处理后的锅炉运行数据按照负荷工况的分布进行聚类划分，进而对数据进行重采样；

以重采样后的数据作为样本数据构建锅炉燃烧特性模型；所述锅炉燃烧特性模型是基于改进的花授粉算法sfpa优化svm后得到的；

从电厂dcs系统中获取锅炉的实时特征参量数据，并进行数据的预处理；

将实时特征参量数据作为输入，代入已经训练好的锅炉燃烧特性模型中；

采用改进的非支配排序遗传算法insga-ii作为优化算法，结合优化目标与锅炉燃烧特性模型，对锅炉运行可调参数进行寻优；

工程人员根据电厂锅炉实际运行需求从pareto解集中选择一个最优解，并将最优解与锅炉实时参量进行对比，计算其优化偏置量，送入dcs系统实现优化控制。

本发明的另一目的在于提供一种实施所述锅炉在线燃烧优化控制方法的锅炉在线燃烧优化控制系统，所述锅炉在线燃烧优化控制系统包括：

第一数据预处理模块，用于从电厂dcs系统中获取燃煤锅炉的特征参量历史数据与nox排放量、热效率数据，并进行数据的预处理；

数据重采样模块，用于利用高斯混合模型gmm算法对处理后的锅炉运行数据按照负荷工况的分布进行聚类划分，对数据进行重采样；

锅炉燃烧特性模型构建模块，用于以重采样后的数据作为样本数据构建锅炉燃烧特性模型；

第二数据预处理模块，用于从电厂dcs系统中获取锅炉的实时特征参量数据，并进行数据的预处理；

实时数据输入模块，用于将实时特征参量数据作为输入，代入已经训练好的锅炉燃烧特性模型中；

锅炉运行可调参数处理模块，用于采用改进的非支配排序遗传算法insga-ii作为优化算法，结合优化目标与所建锅炉燃烧特性模型，对锅炉运行可调参数进行寻优；

优化偏置量计算模块，用于根据电厂锅炉实际运行需求从pareto解集中选择一个最优解，并将最优解与锅炉实时参量进行对比，计算其优化偏置量，送入dcs系统实现优化控制。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

本发明提供的锅炉在线燃烧优化控制方法，利用sfpa优化算法来对svm的核函数参数σ、惩罚系数c与不敏感损失函数ε进行参数寻优，使建立的锅炉燃烧特性模型精度更高，预测效果更好。

本发明使用一种改进的非支配排序遗传算法insga-ii来优化锅炉运行可调参数，相对于利用权重系数法建立优化目标函数时只能搜索到唯一的pareto解，insga-ii算法可以搜索到多组pareto解，为电站锅炉实际运行过程中的不同需求提供了决策支持，提高了优化性能与优化效果，可以适应实际工程中的多种优化要求。

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做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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他的附图。

图1是本发明实施例提供的锅炉在线燃烧优化控制方法流程图。

图2是本发明实施例提供的锅炉在线燃烧优化控制方法具体实现步骤图。

图3是本发明实施例提供的利用sfpa优化算法来对svm的核函数参数σ、惩罚系数c与不敏感损失函数ε进行参数寻优的方法流程图。

图4是本发明实施例提供的锅炉燃烧优化流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种锅炉在线燃烧优化控制方法、系统及计算机设备，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的锅炉在线燃烧优化控制方法包括以下步骤：

s101，从电厂dcs系统中获取燃煤锅炉的特征参量历史数据与nox排放量、热效率数据，并进行数据的预处理。

s102，利用高斯混合模型gmm算法对处理后的锅炉运行数据按照负荷工况的分布进行聚类划分，进而对数据进行重采样。

s103，以重采样后的数据作为样本数据构建锅炉燃烧特性模型；所述锅炉燃烧特性模型是基于改进的花授粉算法sfpa优化svm后得到的。

s104，从电厂dcs系统中获取锅炉的实时特征参量数据，并进行数据的预处理。

s105，将实时特征参量数据作为输入，代入已经训练好的锅炉燃烧特性模型中。

s106，采用改进的非支配排序遗传算法insga-ii作为优化算法，结合优化目标与所建锅炉燃烧特性模型，对锅炉运行可调参数进行寻优。

s107，工程人员根据电厂锅炉实际运行需求从pareto解集中选择一个最优解，并将最优解与锅炉实时参量进行对比，计算其优化偏置量，送入dcs系统实现优化控制。

本发明提供的锅炉在线燃烧优化控制方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的锅炉在线燃烧优化控制方法仅仅是一个具体实施例而已。

下面结合实施例对本发明的技术方案作进一步的描述。

如图2所示，本发明实施例提供的锅炉在线燃烧优化控制方法，包括以下步骤：

s1，从电厂dcs系统中获取燃煤锅炉的特征参量历史数据与nox排放量、热效率数据，并进行数据的预处理。

具体地，从电厂dcs系统中采集的特征参量为锅炉负荷、给煤量、烟气含氧量、一次风量、一次风温、二次风量、二次风温、飞灰含碳量。

具体地，从电厂dcs系统中采集的历史数据应为剔除掉锅炉故障运行时间段内的数据之后的数据。

具体地，所述步骤s1中数据预处理的方法为：采用归一化的处理方法，以避免所采集数据由于物理意义和单位的不同对所建模型造成的影响，便于数据的应用。

s2，利用高斯混合模型gmm算法对处理后的锅炉运行数据按照负荷工况的分布进行聚类划分，进而对数据进行重采样。

具体地，所述步骤s2中，采用高斯混合模型(gmm)根据锅炉负荷分布对锅炉运行参数数据进行聚类，并进而对其进行重采样。具体包括以下步骤，

s2-1，设样本集为x，样本数量为n；根据样本数据对应的负荷参数的取值范围(χmin，χmax)来对区间进行划分，划分标准为每区间符合范围为10mw，以此将区间等分为k＝round((xmax-xmin)/10)(k≥2)；并设锅炉负荷的高斯混合模型共含有k个分量(k＝k)；

s2-2，初始化高斯混合模型，其公式为：

式中，φk为混合系数，其满足表示模型中的第k个分量；

设各分量混合系数为1/k，各分量的均值为对应符合区间的中心值，初始方差设置为20；

s2-3，根据高斯混合模型算法对样本数据进行聚类，得到聚类后的样本集为c＝{c1,c2,c3,...,ck}，如果相聚最近的两个簇之间的负荷均值差之间的绝对值小于5，则将k-1→k，并返回执行步骤s2-2，；

s2-4，得到最终的聚类结果后，根据锅炉数据中的聚类结果对其进行重采样。采样规则为：聚类后的簇对应的混合系数φk大于1/k且其符合数据方差小于10，同时满足以上两个条件则进行重采样，具体采样公式为：

式中，round()为四舍五入取整函数。

s3，以重采样后的数据作为样本数据构建锅炉燃烧特性模型；所述锅炉燃烧特性模型是基于改进的花授粉算法sfpa优化svm后得到的。

具体地，所述步骤s3中，采用一种改进的花授粉算法sfpa优化svm来建立锅炉燃烧特性模型，并将其应用到锅炉燃烧优化中；用锅炉负荷、给煤量、烟气含氧量、一次风量、一次风温、二次风量、二次风温、飞灰含碳量来作为模型的输入变量，nox排放量、锅炉热效率作为输出变量，对锅炉燃烧特性模型进行训练。

具体地，首先利用模拟退火算法与花授粉算法相结合，以提高花授粉算法的全局搜索能力与收敛速度，形成一种新的sfpa优化算法；然后利用sfpa优化算法来对svm的核函数参数σ、惩罚系数c与不敏感损失函数ε进行参数寻优，如图3所示，优化的具体步骤包括：

s3-1，初始化sfpa优化算法，确定c、σ、ε三个参数的取值范围，设花朵种群数量为n，最大的迭代次数为itermax，转换概率为p，初始温度为t，退温常数为θ；

s3-2，随机产生n个解，每个解向量对应一个三维的向量(c，σ，ε)，并找到当前情况下的最优解与最小误差fmin；

s3-3，根据下式来确定当前温度下各个sol(i)的误差值

式中，sol(i)为当前解向量的某个值，best为全局中的最优值，t为退火的初始温度；

s3-4，根据轮盘赌策略从所有的sol(i)中找到全局最优值的某个替代值，并记为best_plus；

s3-5，当p＞rand时，使用下式更新解向量，并进行解向量的越界处理：

式中，λ＝1.5，m为常数，γ(λ)是标准的伽马函数；

s3-6，当p＜rand时，则使用下式更新解向量，并进行解向量的越界处理：

式中，δ是在0至1之间服从均匀分布的随机数，与是相同种类的不同花朵的花粉；

s3-7，对步骤s3-5或s3-6中所形成的新的解的误差进行判断，若小于fmin，则对当前解进行更新，否则则对当前解进行保留；

s3-8，如果形成的新解所对应的最小误差比全局最小误差还小，则更新全局最优解与全局最小误差；

s3-9，进行退温操作；

s3-10，判断其fmin是否达到锅炉燃烧建模的预测精度，如果达到，则程序终止，并输出此时最优的一组解(c，σ，ε)与全局最小误差fmin，否则则跳转到步骤s3-3进行继续搜索。

s4，从电厂dcs系统中获取锅炉的实时特征参量数据，并进行数据的预处理。

s5，将实时特征参量数据作为输入，代入已经训练好的锅炉燃烧特性模型中。

s6，采用改进的非支配排序遗传算法insga-ii作为优化算法，结合优化目标与锅炉燃烧特性模型，对锅炉运行可调参数进行寻优。

如图4所示，所述步骤s6中，采用一种改进的非支配排序遗传算法(insga-ii)对锅炉运行可调参数进行寻优，最终获得最优的锅炉运行可调参数组合，根据获得的最优可调参数组合对锅炉实际燃烧过程进行调整，达到燃烧优化的目的。

具体地，所述锅炉运行可调参数为给煤量、一次风量、二次风量、烟气含氧量，将其作为优化变量进行寻优，剩余的不可调参数在寻优过程中作为固定值保持不变；所述多目标优化目标为：

式中，为锅炉nox排放浓度，fη(x)为锅炉热效率，xi为第i个可优化锅炉运行可调参数，ai与bi为优化参数的取值范围。

具体地，insga-ii算法由nsga-ii算法改进得来，改进分为以下三个方面：

(1)通过扩大第一代种群规模，在初期加速种群的进化，提高算法的收敛性；若种群个体为n，初始化种群的个体数目可以设置为1.5n到2n之间。

(2)通过对选择算子引入概率操作，扩大种群的多样性，提高解集的分布性；概率操作的计算公式为：

式中，ω为概率选择算子参数，g为进化代数。

(3)引入混合交叉算子，动态调节算法的搜索空间；混合交叉算子为在sbx交叉算子的基础上引入高斯分布交叉算子ndx，并自适应地调整这两种交叉算子权重。令u为区间(0,1)上均匀分布产生的随机数，r＝|n(0,1)|为高斯分布随机变量的值，当u≤0.5时，个体在上述混合交叉算子下的更新公式为：

当u＞0.5时，个体在上述混合交叉算子下的更新公式为：

式中，x1,i和x2,i为混合交叉算子所产生的子代个体第i个变量的值；m＝p1,i+p2,i,n＝p1,i-p2,i，p1,i和p2,i是父代个体第i个变量的值；g为当前迭代次数，g为总的迭代次数，ηc为混合交叉算子参数。

insga-ii算法优化的具体步骤包括：

s6-1，初始化insga-ii算法：设种群规模为n，初始化种群p0的规模n0＝1.5n～2n，最大迭代次数g，概率选择算子参数ω，混合交叉算子参数ηc；

s6-2，随机产生n0个个体作为父代种群p0；

s6-3，当前迭代次数g＝0，对父代种群p0进行概率选择、混合交叉与变异操作，生成子代种群q0；

s6-4，将父代种群pt与子代种群qt进行合并，生成新种群rt，并对新种群rt进行快速非支配排序；

s6-5，利用精英策略，从新种群rt中选择出n个优良个体，生成新的父代种群pt+1；

s6-6，对新种群pt+1进行概率选择、混合交叉与变异操作，生成新的子代种群qt+1；

s6-7，若当前迭代次数g不小于最大迭代次数g，则算法结束，否则g＝g+1，并跳转到步骤s6-4进行循环。

s7，工程人员根据电厂锅炉实际运行需求从pareto解集中选择一个最优解，并将最优解与锅炉实时参量进行对比，计算其优化偏置量，送入dcs系统实现优化控制。

具体地，所述步骤s7中，在dcs系统侧添加优化偏置逻辑，将优化偏置迭加于所优化变量的控制指令上；将步骤s6中优化得到的给煤量、一次风量、二次风量、烟气含氧量与实际给煤量、一次风量、二次风量、烟气含氧量之差作为优化偏置，送入dcs系统实现锅炉在线燃烧优化控制。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除