發電廠鍋爐燃燒狀態監測技術綜述

李欣宇 唐德東 張淑敏 王 拓

（重慶科技大學 電氣工程學院 重慶 401331）

發電廠鍋爐作為火力發電廠的重要核心關鍵部件，若燃燒狀況不佳，會造成耗煤量較高，發電效率低，污染物排放嚴重，對經濟和環境造成嚴重影響。因此，對鍋爐燃燒狀態進行實時監測是十分必要的。

由于鍋爐內部燃燒存在交替發生的多種化學反應，高溫高粉塵等工況類型復雜多樣且不均勻，給燃燒狀態監測帶來挑戰。為保證燃燒效率以及機組安全穩定，監測鍋爐燃燒狀態的手段也多種多樣。本文將從技術角度出發，對鍋爐燃燒狀態監測技術進行梳理與分析，為相關研究人員提供有關參考。

1 燃燒火焰圖像監測方法

火焰圖像是火焰燃燒狀態最直觀的表征，能夠將爐膛內火焰燃燒狀況直觀地呈現出來，其監測的關鍵技術包括火焰圖像的可靠性采集和火焰圖像數據處理。

1.1 采集火焰圖像

目前用于鍋爐燃燒火焰的圖像采集手段主要有CMOS（互補金屬氧化物半導體）[1]相機與CCD（電荷耦合器件）[2]相機，二者都是利用光電效應來實現探測的。CMOS是互補金屬氧化物半導體，其經光照產生相應的電荷，然后選擇相應的行單元，再依據單元所在列將信號傳輸到相應的處理單元進行A/D轉換，輸出數字信號，其成本較低且響應速度也快[3]；CCD也是一種半導體器件，能夠實現將光輻射信號轉換為電信號[4]，因其靈敏度相對較高、工作性能穩定，因此被廣泛應用。表1為CMOS和CCD兩種相機的性能對比。

表1 CMOS和CCD對比

1.2 火焰圖像數據處理

對火焰圖像進行處理的關鍵在于對火焰的特征提取。通過特征提取可將火焰圖像中比較重要的信息進行表征，進而能夠對未知火焰進行在線監測。Sujatha等人[5，6]應用image J軟件提取了圖像的面積、平均強度、最大強度等特征，采用Fisher線性判定分析（FLD）對N維特征尺寸降維。Fisher判別法較為簡單但是其沒有考慮個體出現概率問題。Bai等人[7]利用主成分分析（PCA）提取了火焰圖像中的顏色與紋理特征信息。該方法通常用來減少數據維度。馬明榮[8]綜合分析了火焰燃燒階段和各階段燃燒狀態的特征量變化特點，提取了火焰特征區域的面積和平均灰度值作為火焰燃燒狀態判定的特征量。Golgiyaz等人[2]主要利用火焰圖像的前2個矩，從顏色和亮度（平均灰度值）2個方面評價火焰穩定性。對于傳統的人工提取特征提取的大多是火焰的顏色、紋理等表層特征，不僅不能反映火焰的深層信息且提取步驟也比較煩瑣。

隨著算法的發展，深度學習逐漸深入燃燒火焰的監測，其不僅能夠自動提取鑒別特征，解決傳統提取特征煩瑣的問題，而且也能實現對深層特征的提取。Qiu等人[9]直接應用卷積自動編碼器（CAE）從火焰圖像中提取特征，簡化了特征提取過程。Han等人[10]提出將去噪自編碼器與生成式對抗網絡集成（DAEGAN）提取火焰圖像的判別特征的方法，該方法克服了DAE網絡訓練中出現的梯度消失或梯度爆炸的問題，并提高了半監督學習的魯棒性。除此之外，Wang等人[11]采用DNN（深度神經網絡）和CNN（卷積神經網絡）來預測燃燒狀態，解決了DNN不能滿足平移不變性以及大量參數造成的過擬合問題，最終能夠預測4種燃燒類別（無火、小火、中火和大火），并利用4個燃燒等級來計算熱釋放率。劉洋[12]建立了基于遷移學習的inception-v3穩定性模型，將4種自由基圖像分別作為模型的輸入，測試得出識別率最終收斂于88%和93%，但是該研究對于燃燒穩定性判定依據考慮因素不夠全面，未多角度提供判定依據。雖然深度學習能夠自動提取特征，但其實現的前提是需要大量的實驗數據。

2 鍋爐爐膛溫度監測

鍋爐爐膛內溫度是鍋爐燃燒狀態的重要參數，爐內溫度場瞬時變化能夠反映燃燒狀況，因此對溫度場進行實時精確監控不僅可以診斷電廠鍋爐燃燒工況，而且還可以進行實時調整，提高鍋爐燃燒效率。

鍋爐爐膛溫度測量方法眾多，傳統的接觸式溫度測量方法有熱電偶法、熱阻法，非接觸式測溫方法有紅外法、光學法和超聲波法。熱電偶法與熱電阻法只能用于單點測溫，紅外輻射測溫法只能短時間測量，光學高溫計只適用于單一氣體溫度測量。超聲波測溫技術具有測量范圍廣、不受磁場干擾等優勢，能夠更好地應用于鍋爐爐膛溫度測量。

2.1 超聲波測溫原理

超聲波測溫基本原理是溫度場中聲速會隨介質溫度發生變化。超聲波速度與溫度的關系見式（1）[13，14]。

式中：

C——氣體介質中的聲速，m/s；

γ——絕熱系數，由氣體物理性質決定；

R——摩爾氣體常數；

T——氣體介質的絕對溫度，K；

M——氣體介質的相對分子質量，g/mol。

在實際應用中，因γ、R、M為確定已知量，因此可共同由Z表示。將式（1）進行變換，可得式（2）[13，14]。

由式（2）可知，只要獲取超聲波在介質中速度，就可獲得所需溫度值，但是在實際應用下，測量聲波路徑上的瞬時速度難度較大，因此可以由聲波的路徑長度和飛行時間來計算路徑的平均聲波速度，見式（3）[15]。

式中：

L——聲波路徑，也就是超聲波反射器與接收器之間的距離；

t——路徑的飛行時間。

通常單路徑可直接由聲波測溫原理得到兩點之間介質的平均溫度，而多路徑（如圖1所示）則需要運用重構算法來獲取區域平均溫度[16]。

圖1 多路徑原理圖

2.2 重構溫度場

聲學測溫溫度場重建最經典的算法為代數重建技術（ART）與最小二乘法（LSM）[14]。最小二乘法原理簡單、易實現、計算速度快，但其重建溫度場時會缺失邊界溫度，不能完整再現原始溫度場。代數重建技術（ART）也存在耗時與收斂速度慢的問題[17]。

針對最小二乘法重構溫度場出現邊界溫度缺少、損失溫度場邊緣信息以及難以還原原始溫度場的問題，Shen等人[18]提出了最小二乘法與多重二次插值的改進重建算法，提高了重建精度。Jia等人[19]也將徑向基函數與最小二乘法結合提出改進算法，解決了溫度場邊緣信息受損的問題，更好地反映溫度場分布的信息，提高了重建精度。此外，Shen等人[20]為了更好地解決最小二乘法本身具有的受路徑數目與子區域數目約束的問題，提出了基于馬爾可夫徑向基函數逼近和奇異值分解的重建算法，但是該算法在重建結果的平滑性方面有待提高。Wang等人[13]研究了基于對數二次徑向基函數和奇異值分解的改進算法，解決了邊界溫度缺失問題，重建性能較好。Guo等人[21]提出了基于遺傳算法的鍋爐溫度場重構算法，該算法利用遺傳算法對網格進行插值和擬合，實現了對溫度場的重建，與最小二乘法重建結果相比，具有更高的精度與重建速度。

代數重建技術（ART）具有數值計算簡單、易實現的優點，但其重建精度和魯棒性較低[22]。為此，Chen等人[23]提出一種基于光學層析測量的代數重建-神經網絡算法（ART-NN），該算法的穩定性與重建結果都優于ART。Ziemann等人[24-26]提出了一種穩定性與精度更好的同步迭代重建技術（SIRT）。但是，其需要大量的迭代步驟，迭代時間長。Wan等人[27，28]提出了同步代數重建技術（SART）方法，該方法魯棒性比ART方法好，迭代收斂比SIRT方法少。Liu等人[29]提出一種將同步代數重建技術（SART）與高斯過程回歸結合的方法，該方法提高了重建的質量。

3 煙氣檢測

鍋爐燃燒狀態監測除了對爐膛狀態信息進行監測外，也可對尾部的排放氣體進行間接監測來反映鍋爐燃燒狀態。目前，可通過煙氣氧含量與飛灰含碳量進行監測。

3.1 煙氣氧含量監測

煙氣含氧量代表了鍋爐燃燒的風煤比，是影響鍋爐燃燒效率和污染排放的關鍵參數。對于煙氣含氧量的監測，一般有2種方法：直接測量與軟測量。傳統的直接測量方法一般有氧化鋯傳感器測量、熱磁氧分析儀測量和ZrO2氧傳感器測量等，但存在使用壽命短、維護與投資成本較大等問題[30]。軟測量方法根據機理分析，選擇控制變量與狀態變量后建立軟測量模型，如圖2所示[31]。與傳統的檢測技術相比，軟測量技術更靈活，成本也更低。

圖2 軟測量框圖

Chen和Ma等人[32-34]提出了基于BP神經網絡的鍋爐煙氣含氧量軟感知模型。經測試，模型均能準確預測煙氣中氧含量。李建強等人[30，35]分別將遺傳算法、交叉驗證法與支持向量機結合，選取反映燃燒狀態的10余個參數作為輔助變量，建立了煙氣含氧量模型，經驗證，遺傳算法與支持向量機結合更易找到全局最優解。但是，該模型受到了采樣大小的限制，具有一定局限性。Tang研究團隊相繼提出了基于深度置信網絡算法與深度神經網絡算法來進行鍋爐煙氣含氧量的預測[36，37]。經證明，深度置信網絡模型與其他算法相比，誤差最小，DNN模型的誤差最小，精度最高。Pan等人[38]使用keras深度學習框架建立了LSTM（長短時記憶網絡）模型，將煙氣氧含量作為主要變量，經檢驗，基于LSTM的氧含量模型泛化性好。Sun等人[39]提出了一種加權主成分分析（WPCA）算法結合改進的長短時記憶網絡進行氧含量預測。該模型利用粒子群優化算法獲得超參數，提高了預測的泛化能力。經檢驗，該模型具有可觀的預測性能。但是，基于LSTM模型的預測性能主要會受到數據本身特征以及模型框架的影響。

3.2 飛灰含碳量監測

飛灰含碳量是表征鍋爐燃燒效率的重要參數之一。若飛灰含碳量過高，說明煤耗嚴重且鍋爐的燃燒效率不高。

飛灰含碳量測量最傳統的方法是灼燒失重法。灼燒失重法就是定時從煙道中采集飛灰，根據高溫灼燒前后的重量信息計算出飛灰含碳量的質量百分數[40]，但這種方法測量精度低、抗干擾性也較差，不適用于實時在線監測。微波法也用于監測粉煤灰中未燃燒的碳含量，但測量室容易被飛灰堵塞，不適合長時間使用，且微波功率的衰減并無規律[41]。激光誘導擊穿光譜法是一種在線監測粉煤灰中碳含量的技術，其具有高靈敏度且系統結構簡單[42]，但其高功率激光器性能不穩定，且價格也相對較高?；鸹ㄕT導分解光譜法具有較高穩定性、成本較低和攜帶方便等優點，但其存在固定樣品需要高功率電壓粉末樣品，其產生的沖擊波會影響測量性能[43]，因此可將該方法與其他方法結合應用。近年來出現通過軟測量方式對飛灰含碳量進行監控與預測，減少成本，達到預期效果。

鍋爐燃燒過程是一個多變量、非線性、強耦合的過程，有很多因素都會影響飛灰含碳量，而各因素之間并非都具有相關性，因此冗余的參數會增加計算量且降低模型的預測能力，對此，王芳等人[44]采用隨機森林進行變量評價，篩選出最優變量，并且利用花授粉算法優化隨機森林參數，經測試，該模型具有更高的預測精度。馮旭剛等人[45]利用Grason敏感性分析算法，對影響飛灰含碳量的輸入參數進行了篩選，實現了以較少的工況輸入來有效地測量輸出。王月蘭等人[46]也對模型輸入參數進行敏感性分析確定最終輸入參數，建立了自適應神經模糊推理系統模型。喬源等人[47]通過對鍋爐進行機理分析以及對特征量進行互信息選擇，將煙氣中影響飛灰含碳量的主要因素作為輸入量建立神經網絡模型。該模型不僅預測精度較高而且現場飛灰含碳量的測量準確。因軟測量方法成本低、泛化能力較強、魯棒性較好且類型多樣，具有諸多優點，因此用于飛灰含碳量監測有良好的前景。

4 結束語

本文從燃燒火焰圖像、爐膛溫度分布以及煙氣成分3個技術路徑綜述了鍋爐燃燒狀態在線監測方法，對各燃燒狀態監測方法的優劣進行分析，闡述了各技術中主流方法的技術原理及研究現狀。燃燒火焰圖像監測方法的關鍵技術為火焰圖像的采集與火焰圖像數據處理，并且火焰特征提取是圖像數據處理的關鍵。超聲波測溫技術因其優良的性能，能夠更好地應用于鍋爐爐膛溫度測量。煙氣成分監測中多采用煙氣氧含量與飛灰含碳量作為監測指標。因軟測量方式具有低成本等優點，多被應用于煙氣成分監測領域。鍋爐燃燒狀況不僅影響發電效率，而且關系污染物的排放量及能量的損耗值，而這也是社會一直關注的熱點，因此仍需要發展鍋爐燃燒狀態監測方法，為能量損耗與環保行業提供完善解決方案。