发电厂锅炉燃烧状态监测技术综述

李欣宇 唐德东 张淑敏 王 拓

（重庆科技大学 电气工程学院 重庆 401331）

发电厂锅炉作为火力发电厂的重要核心关键部件，若燃烧状况不佳，会造成耗煤量较高，发电效率低，污染物排放严重，对经济和环境造成严重影响。因此，对锅炉燃烧状态进行实时监测是十分必要的。

由于锅炉内部燃烧存在交替发生的多种化学反应，高温高粉尘等工况类型复杂多样且不均匀，给燃烧状态监测带来挑战。为保证燃烧效率以及机组安全稳定，监测锅炉燃烧状态的手段也多种多样。本文将从技术角度出发，对锅炉燃烧状态监测技术进行梳理与分析，为相关研究人员提供有关参考。

1 燃烧火焰图像监测方法

火焰图像是火焰燃烧状态最直观的表征，能够将炉膛内火焰燃烧状况直观地呈现出来，其监测的关键技术包括火焰图像的可靠性采集和火焰图像数据处理。

1.1 采集火焰图像

目前用于锅炉燃烧火焰的图像采集手段主要有CMOS（互补金属氧化物半导体）[1]相机与CCD（电荷耦合器件）[2]相机，二者都是利用光电效应来实现探测的。CMOS是互补金属氧化物半导体，其经光照产生相应的电荷，然后选择相应的行单元，再依据单元所在列将信号传输到相应的处理单元进行A/D转换，输出数字信号，其成本较低且响应速度也快[3]；CCD也是一种半导体器件，能够实现将光辐射信号转换为电信号[4]，因其灵敏度相对较高、工作性能稳定，因此被广泛应用。表1为CMOS和CCD两种相机的性能对比。

表1 CMOS和CCD对比

1.2 火焰图像数据处理

对火焰图像进行处理的关键在于对火焰的特征提取。通过特征提取可将火焰图像中比较重要的信息进行表征，进而能够对未知火焰进行在线监测。Sujatha等人[5，6]应用image J软件提取了图像的面积、平均强度、最大强度等特征，采用Fisher线性判定分析（FLD）对N维特征尺寸降维。Fisher判别法较为简单但是其没有考虑个体出现概率问题。Bai等人[7]利用主成分分析（PCA）提取了火焰图像中的颜色与纹理特征信息。该方法通常用来减少数据维度。马明荣[8]综合分析了火焰燃烧阶段和各阶段燃烧状态的特征量变化特点，提取了火焰特征区域的面积和平均灰度值作为火焰燃烧状态判定的特征量。Golgiyaz等人[2]主要利用火焰图像的前2个矩，从颜色和亮度（平均灰度值）2个方面评价火焰稳定性。对于传统的人工提取特征提取的大多是火焰的颜色、纹理等表层特征，不仅不能反映火焰的深层信息且提取步骤也比较烦琐。

随着算法的发展，深度学习逐渐深入燃烧火焰的监测，其不仅能够自动提取鉴别特征，解决传统提取特征烦琐的问题，而且也能实现对深层特征的提取。Qiu等人[9]直接应用卷积自动编码器（CAE）从火焰图像中提取特征，简化了特征提取过程。Han等人[10]提出将去噪自编码器与生成式对抗网络集成（DAEGAN）提取火焰图像的判别特征的方法，该方法克服了DAE网络训练中出现的梯度消失或梯度爆炸的问题，并提高了半监督学习的鲁棒性。除此之外，Wang等人[11]采用DNN（深度神经网络）和CNN（卷积神经网络）来预测燃烧状态，解决了DNN不能满足平移不变性以及大量参数造成的过拟合问题，最终能够预测4种燃烧类别（无火、小火、中火和大火），并利用4个燃烧等级来计算热释放率。刘洋[12]建立了基于迁移学习的inception-v3稳定性模型，将4种自由基图像分别作为模型的输入，测试得出识别率最终收敛于88%和93%，但是该研究对于燃烧稳定性判定依据考虑因素不够全面，未多角度提供判定依据。虽然深度学习能够自动提取特征，但其实现的前提是需要大量的实验数据。

2 锅炉炉膛温度监测

锅炉炉膛内温度是锅炉燃烧状态的重要参数，炉内温度场瞬时变化能够反映燃烧状况，因此对温度场进行实时精确监控不仅可以诊断电厂锅炉燃烧工况，而且还可以进行实时调整，提高锅炉燃烧效率。

锅炉炉膛温度测量方法众多，传统的接触式温度测量方法有热电偶法、热阻法，非接触式测温方法有红外法、光学法和超声波法。热电偶法与热电阻法只能用于单点测温，红外辐射测温法只能短时间测量，光学高温计只适用于单一气体温度测量。超声波测温技术具有测量范围广、不受磁场干扰等优势，能够更好地应用于锅炉炉膛温度测量。

2.1 超声波测温原理

超声波测温基本原理是温度场中声速会随介质温度发生变化。超声波速度与温度的关系见式（1）[13，14]。

式中：

C——气体介质中的声速，m/s；

γ——绝热系数，由气体物理性质决定；

R——摩尔气体常数；

T——气体介质的绝对温度，K；

M——气体介质的相对分子质量，g/mol。

在实际应用中，因γ、R、M为确定已知量，因此可共同由Z表示。将式（1）进行变换，可得式（2）[13，14]。

由式（2）可知，只要获取超声波在介质中速度，就可获得所需温度值，但是在实际应用下，测量声波路径上的瞬时速度难度较大，因此可以由声波的路径长度和飞行时间来计算路径的平均声波速度，见式（3）[15]。

式中：

L——声波路径，也就是超声波反射器与接收器之间的距离；

t——路径的飞行时间。

通常单路径可直接由声波测温原理得到两点之间介质的平均温度，而多路径（如图1所示）则需要运用重构算法来获取区域平均温度[16]。

图1 多路径原理图

2.2 重构温度场

声学测温温度场重建最经典的算法为代数重建技术（ART）与最小二乘法（LSM）[14]。最小二乘法原理简单、易实现、计算速度快，但其重建温度场时会缺失边界温度，不能完整再现原始温度场。代数重建技术（ART）也存在耗时与收敛速度慢的问题[17]。

针对最小二乘法重构温度场出现边界温度缺少、损失温度场边缘信息以及难以还原原始温度场的问题，Shen等人[18]提出了最小二乘法与多重二次插值的改进重建算法，提高了重建精度。Jia等人[19]也将径向基函数与最小二乘法结合提出改进算法，解决了温度场边缘信息受损的问题，更好地反映温度场分布的信息，提高了重建精度。此外，Shen等人[20]为了更好地解决最小二乘法本身具有的受路径数目与子区域数目约束的问题，提出了基于马尔可夫径向基函数逼近和奇异值分解的重建算法，但是该算法在重建结果的平滑性方面有待提高。Wang等人[13]研究了基于对数二次径向基函数和奇异值分解的改进算法，解决了边界温度缺失问题，重建性能较好。Guo等人[21]提出了基于遗传算法的锅炉温度场重构算法，该算法利用遗传算法对网格进行插值和拟合，实现了对温度场的重建，与最小二乘法重建结果相比，具有更高的精度与重建速度。

代数重建技术（ART）具有数值计算简单、易实现的优点，但其重建精度和鲁棒性较低[22]。为此，Chen等人[23]提出一种基于光学层析测量的代数重建-神经网络算法（ART-NN），该算法的稳定性与重建结果都优于ART。Ziemann等人[24-26]提出了一种稳定性与精度更好的同步迭代重建技术（SIRT）。但是，其需要大量的迭代步骤，迭代时间长。Wan等人[27，28]提出了同步代数重建技术（SART）方法，该方法鲁棒性比ART方法好，迭代收敛比SIRT方法少。Liu等人[29]提出一种将同步代数重建技术（SART）与高斯过程回归结合的方法，该方法提高了重建的质量。

3 烟气检测

锅炉燃烧状态监测除了对炉膛状态信息进行监测外，也可对尾部的排放气体进行间接监测来反映锅炉燃烧状态。目前，可通过烟气氧含量与飞灰含碳量进行监测。

3.1 烟气氧含量监测

烟气含氧量代表了锅炉燃烧的风煤比，是影响锅炉燃烧效率和污染排放的关键参数。对于烟气含氧量的监测，一般有2种方法：直接测量与软测量。传统的直接测量方法一般有氧化锆传感器测量、热磁氧分析仪测量和ZrO2氧传感器测量等，但存在使用寿命短、维护与投资成本较大等问题[30]。软测量方法根据机理分析，选择控制变量与状态变量后建立软测量模型，如图2所示[31]。与传统的检测技术相比，软测量技术更灵活，成本也更低。

图2 软测量框图

Chen和Ma等人[32-34]提出了基于BP神经网络的锅炉烟气含氧量软感知模型。经测试，模型均能准确预测烟气中氧含量。李建强等人[30，35]分别将遗传算法、交叉验证法与支持向量机结合，选取反映燃烧状态的10余个参数作为辅助变量，建立了烟气含氧量模型，经验证，遗传算法与支持向量机结合更易找到全局最优解。但是，该模型受到了采样大小的限制，具有一定局限性。Tang研究团队相继提出了基于深度置信网络算法与深度神经网络算法来进行锅炉烟气含氧量的预测[36，37]。经证明，深度置信网络模型与其他算法相比，误差最小，DNN模型的误差最小，精度最高。Pan等人[38]使用keras深度学习框架建立了LSTM（长短时记忆网络）模型，将烟气氧含量作为主要变量，经检验，基于LSTM的氧含量模型泛化性好。Sun等人[39]提出了一种加权主成分分析（WPCA）算法结合改进的长短时记忆网络进行氧含量预测。该模型利用粒子群优化算法获得超参数，提高了预测的泛化能力。经检验，该模型具有可观的预测性能。但是，基于LSTM模型的预测性能主要会受到数据本身特征以及模型框架的影响。

3.2 飞灰含碳量监测

飞灰含碳量是表征锅炉燃烧效率的重要参数之一。若飞灰含碳量过高，说明煤耗严重且锅炉的燃烧效率不高。

飞灰含碳量测量最传统的方法是灼烧失重法。灼烧失重法就是定时从烟道中采集飞灰，根据高温灼烧前后的重量信息计算出飞灰含碳量的质量百分数[40]，但这种方法测量精度低、抗干扰性也较差，不适用于实时在线监测。微波法也用于监测粉煤灰中未燃烧的碳含量，但测量室容易被飞灰堵塞，不适合长时间使用，且微波功率的衰减并无规律[41]。激光诱导击穿光谱法是一种在线监测粉煤灰中碳含量的技术，其具有高灵敏度且系统结构简单[42]，但其高功率激光器性能不稳定，且价格也相对较高。火花诱导分解光谱法具有较高稳定性、成本较低和携带方便等优点，但其存在固定样品需要高功率电压粉末样品，其产生的冲击波会影响测量性能[43]，因此可将该方法与其他方法结合应用。近年来出现通过软测量方式对飞灰含碳量进行监控与预测，减少成本，达到预期效果。

锅炉燃烧过程是一个多变量、非线性、强耦合的过程，有很多因素都会影响飞灰含碳量，而各因素之间并非都具有相关性，因此冗余的参数会增加计算量且降低模型的预测能力，对此，王芳等人[44]采用随机森林进行变量评价，筛选出最优变量，并且利用花授粉算法优化随机森林参数，经测试，该模型具有更高的预测精度。冯旭刚等人[45]利用Grason敏感性分析算法，对影响飞灰含碳量的输入参数进行了筛选，实现了以较少的工况输入来有效地测量输出。王月兰等人[46]也对模型输入参数进行敏感性分析确定最终输入参数，建立了自适应神经模糊推理系统模型。乔源等人[47]通过对锅炉进行机理分析以及对特征量进行互信息选择，将烟气中影响飞灰含碳量的主要因素作为输入量建立神经网络模型。该模型不仅预测精度较高而且现场飞灰含碳量的测量准确。因软测量方法成本低、泛化能力较强、鲁棒性较好且类型多样，具有诸多优点，因此用于飞灰含碳量监测有良好的前景。

4 结束语

本文从燃烧火焰图像、炉膛温度分布以及烟气成分3个技术路径综述了锅炉燃烧状态在线监测方法，对各燃烧状态监测方法的优劣进行分析，阐述了各技术中主流方法的技术原理及研究现状。燃烧火焰图像监测方法的关键技术为火焰图像的采集与火焰图像数据处理，并且火焰特征提取是图像数据处理的关键。超声波测温技术因其优良的性能，能够更好地应用于锅炉炉膛温度测量。烟气成分监测中多采用烟气氧含量与飞灰含碳量作为监测指标。因软测量方式具有低成本等优点，多被应用于烟气成分监测领域。锅炉燃烧状况不仅影响发电效率，而且关系污染物的排放量及能量的损耗值，而这也是社会一直关注的热点，因此仍需要发展锅炉燃烧状态监测方法，为能量损耗与环保行业提供完善解决方案。