基于深度学习与热辐射成像耦合的炉内温度场在线测量

唐广通， 许烨烽， 闫慧博， 汪潮洋， 刘志强， 娄 春

(1.国网河北能源技术服务有限公司，石家庄 050021；2.华中科技大学 能源与动力工程学院，武汉 430074)

当前，解决气候变化问题的突破口主要是“控碳”。我国于第75届联合国大会上做出“二氧化碳排放力争于2030年前达到峰值，努力争取2060年前实现碳中和”的承诺。实现双碳目标，需要全社会的经济、能源、技术体系等进行转型升级,尤其是燃煤发电行业，应进一步提升现有机组的能效水平和煤电机组的灵活调峰能力,加强与可再生能源的耦合发展[1]。随着可再生能源装机比重的不断增加，智慧型电厂的升级势在必行，而智能测量与控制技术是关键技术之一[2-3]。

燃煤锅炉的炉内燃烧是复杂的三维物理化学过程[4]，炉内燃烧过程作为燃煤智能发电的关键影响环节，其温度场分布是否合理会影响锅炉的经济、稳定和安全。因此，燃煤锅炉在线监测及智能优化运行技术在研发智能发电技术时起着重要作用，特别是炉内温度场在线监测技术。由于炉内燃烧温度较高，通常采用非接触式方法测量炉膛等工程燃烧装置内的温度场[5]。目前，已实际应用的炉内温度场在线监测技术包括声学技术[6]、吸收光谱技术[7]和热辐射成像技术[8-9]。其中热辐射成像技术具有较高的时空分辨率，其根据辐射传递方程建立炉内各方向的辐射强度和炉内温度场的热辐射成像模型，然后使用热辐射反问题求解算法重建炉内温度分布，目前已应用于国内200 MW、300 MW和660 MW等多台燃煤机组中[3-5, 9]。但是热辐射成像模型的不适定性较强，典型的求解算法是Tikhonov正则化方法，该方法基于正则化思想，运用一系列与原问题类似的适定问题的解来近似原问题的解[4,10]。目前，该方法在实际炉内温度场重建中得到了广泛应用，重建结果能够反映炉内燃烧工况的变化，并与抽气热电偶、高温计等测温方法进行了对比，偏差在5%以内。需要注意的是，该方法中正则化参数的取值对温度场重建结果有较大影响。在此基础上，Qiu等[11]提出了一种基于三次样条插值的正则化重建和广义奇异值分解的混合方法，用以优化正则化参数的选取精确度和效率，由于该混合方法涉及了耗时较多的矩阵运算，对炉内温度场在线监测的实时性有所影响；且为了保证较好的时间分辨率，并没有充分利用所检测的辐射图像信息，这也使得炉内温度场重建的稳定性还有提高空间。

随着计算能力和资源的快速发展，深度学习(Deep Learning)得到了广泛应用[12]，尤其是求解不适定问题方面的适配性较好。这是因为深度学习能够仅通过自身训练就能在给定输入值时得到与期望输出值最相近的结果。多层感知器神经网络(MLP)、卷积神经网络(CNN)等已被广泛应用于从边界出射辐射强度中重建燃烧火焰的辐射源项、温度及组分浓度分布。Jin等[13]提出了基于CNN的三维快速火焰化学发光层析成像重建系统，从实时捕获的投影中重建了火焰三维结构。Ren等[14-15]将平面燃烧器的红外光谱辐射作为测量数据，用MLP同时反演了温度和主要气体组分浓度。Wang等[16]开发了一种2步MLP神经网络，从碳烟辐射中反演了层流扩散火焰温度场。李智聪等[17]采用MLP从乙烯层流扩散火焰的高光谱辐射强度中预测了火焰温度和碳烟浓度分布。上述基于多层神经网络的深度学习算法的成功应用，为大型炉内温度场重建提供了新的思路，有助于提高炉内温度场在线监测的实时性和稳定性。

笔者利用热辐射成像模型计算得到训练数据集，基于MLP开展了大型炉内温度场重建的模拟及实验研究，并通过机组调峰试验分析了升负荷过程中燃料量、风量对炉内温度的影响，以此探讨炉内温度场在线测量系统的应用前景。

1 模型与算法

1.1 炉内热辐射成像模型

在具有发射、吸收、反射特性的壁面所形成的三维炉膛系统中需考虑燃烧介质的发射、吸收、散射特性，将其空间区域划分为u个单元，壁面划分为v个单元。根据热辐射成像原理[8-9]，在炉膛壁面布置多个CCD成像装置，以获得炉内各方向的辐射强度信息。CCD相机的成像单元数为w，其接受到各方向的辐射强度I与炉内温度T的关系为：

I=A1Tg+A2Tw=AT

(1)

式(1)表示的热辐射成像模型考虑了热辐射在炉内的物理传递过程，进而确定了接收的炉内辐射信息和炉内温度场之间的定量关系。

由于热辐射成像过程中不同成像单元对入射辐射有强烈的方向选择性，且燃烧介质对热辐射也有衰减作用，使得式(1)具有强烈的不适定性，常用的最小二乘法等难以从中求解出温度场。为了简化求解问题，考虑锅炉水冷壁的吸热导致炉膛壁温与燃烧介质温度相差较大这一特性，同时在重建炉内三维温度场时默认εw和Tw已知，从获得的热辐射信息中除去壁面辐射贡献，并采用处理不适定问题的Tikhonov正则化方法只重建炉内温度分布[4]。

1.2 MLP神经网络重建算法

采用前馈神经网络中的多层感知器，其神经元分层排列，包含1个输入层、1个或多个隐藏层以及1个输出层，层与层之间没有反馈。每一层又包含数个神经元节点，单个神经元的输出是前一层所有神经元x={xi|x1,x2,x3,…,xn}的加权和：

(2)

式中：f为激活函数；w={wi|w1,w2,w3,…,wn}，为神经元间的连接权重；b为阈值。

MLP是通过自身的训练学习规则实现深度学习。笔者基于Python3.8的Keras框架构建用于重建炉内温度场的MLP神经网络，如图1所示。根据CCD相机的成像单元数和炉膛截面网格划分，输入层是CCD相机接收到的辐射强度分布，神经元个数为l；输出层是炉内温度场，神经元个数为m；隐藏层层数及每层神经元个数结合训练数据逐步确定。单个神经元的计算原理见文献[17]。

图1 MLP神经网络构架

训练的过程就是利用优化算法更新权重和阈值，使损失函数最小。采用均值为0、方差为1的正态分布对权重和阈值进行初始化，并选用具有自适应学习率的Adam算法，损失函数L定义为均方误差：

(3)

式中：y为神经网络输出结果的标签值；y′为预测值；α为权衡L2正则化项和标准目标函数相对贡献的超参数。

训练使用的输入数据为接收到的辐射强度分布，输出数据为炉内温度场，训练的目的是使神经网络对于训练数据和测试数据均能预测出准确结果。为提高MLP神经网络的泛化和预测能力，采用以下2种优化方式：(1)对输入数据进行归一化处理；(2)为了限制模型的学习能力，在隐藏层的连接权重w中添加L2正则化。

2 燃煤锅炉温度场测量

2.1 炉内温度场重建

首先开展了基于深度学习与热辐射成像耦合的炉内温度场重建模拟研究。采用文献[18]～文献[19]的炉内辐射成像模型，如图2所示，设炉膛横截面的宽度、深度均为14 m，将炉内空间介质区域划分为10×10=100个网格单元；在炉膛边界4个位置布置4个CCD相机，每个相机的靶面划分为90个成像单元，则构建的MLP神经网络的输入层有360个神经元，输出层有100个神经元，结合训练数据逐步调整，最终确定隐藏层每层500个神经元，共计12层。

图2 炉内网格划分及CCD相机位置

炉内温度场设定了单峰分布和双峰分布2种类型，分别由式(4)和式(5)获得：

T(x,y)=

(4)

T(x,y)=

(5)

式中：x、y分别为炉膛深度和炉膛宽度；a和h为系数，取值范围为-10

将式(4)和式(5)分别带入式(1)中可获得各自的数据集，单峰和双峰2种温度场的数据集各包括10 010组数据，其中10 000组数据作为训练数据集，剩余10组数据作为测试数据集。训练次数主要影响损失函数和训练时间，前者代表神经网络的预测能力，后者代表训练神经网络的时间成本，综合考虑后选择训练次数为400次。为了验证MLP神经网络模型的预测能力，训练完成后带入训练数据或测试数据集重建炉内温度场。

表1给出了训练数据的炉内温度场重建误差。可以看出，单峰温度场和双峰温度场的最大相对误差均小于2%，说明MLP神经网络可用于不同温度场的重建。

表1 训练数据的重建误差

随后带入测试数据，图3和图4给出了单峰温度场和双峰温度场的设定值与重建结果的对比，表2给出了2种温度场的重建误差。

从图3、图4和表2可以看出，对于已训练好的MLP神经网络，输入测试数据得到的2种温度场的最大相对误差虽略大于输入训练数据得到的误差，但同样小于2%，说明所建立的MLP神经网络具有良好的泛化和预测能力。

(a) 设定的单峰温度分布

(a) 设定的双峰温度分布

在2种温度场的测试数据集中添加3%、5%和7%的随机噪声，研究MLP神经网络模型的抗噪能力，结果如表3和表4所示。可以看出，随着随机噪声的增加，2种温度场的最大相对误差增大，但均小于4%，其他指标也在可接受范围内，表明MLP神经网络具有较好的抗噪能力。

表2 测试数据的重建误差

表3 单峰温度场的重建误差

表4 双峰温度场的重建误差

2.2 炉内温度场在线测量实验

在某台300 MW机组燃煤锅炉上安装一套基于深度学习与热辐射成像耦合的炉内温度场在线测量系统，进行炉膛温度场重建实验。该锅炉为1 025 t/h亚临界中间再热自然循环锅炉，单炉膛Π型布置，采用四角切圆燃烧方式，设计煤种为混合贫煤。炉膛的横截面尺寸为宽14.048 m、深11.858 m，将炉膛横截面分为10×10=100个网格，系统将给出每个网格单元的温度值。系统结构示意图如图5所示，在炉膛中上部(最上层燃烧器以上7 m处)的四角布置了4个炉膛火焰探测器，各探测器在同一时刻拍摄到的图像进入四画面分割器中，合成一幅图像，通过视频采集卡将火焰图像采集到工控机中，在工控机中运用深度学习算法完成温度场的在线测量及可视化显示。

图5 炉内温度场在线测量系统结构示意图

计算得到辐射成像系数矩阵A，并根据式(4)设定单峰温度场，考虑温度范围为300～3 000 K，并对温度添加0%～10%的随机噪声来模拟实际炉膛温度分布情况。构建的训练数据为20 000组，测试数据为100组。MLP神经网络模型的具体设置与2.1节一致。

训练得到的MLP神经网络模型对测试数据的预测精度可达96%以上。图6给出了该MLP神经网络模型对最上层燃烧器以上7 m处的重建结果。从图6可以看出，由于该锅炉采用四角切圆燃烧方式，炉内横截面温度场均呈单峰分布；且该检测区域位于燃烧器之上的充分燃烧区域，释放的能量也相对较多，温度分布在1 000～1 600 K。需要说明的是，该炉内横截面靠后墙的两角区域温度较低，并不是代表该区域的燃烧器未投入运行，而可能是流场不均匀带来的温度偏差。

图6 锅炉炉内温度场实验结果

进一步开展机组调峰试验，分析了火电机组升负荷过程中燃料量、风量对炉内温度的影响。图7给出了炉内平均温度与负荷随时间的变化曲线。从图7可以看出，当负荷从180 MW升高到约230 MW时，炉内平均温度从1 250 K升高到1 450 K，且炉内温度的升高趋势明显快于负荷的升高趋势。这是因为火电机组存在纯延迟、大滞后现象，火电机组的多级能量转换主要包括炉内燃烧释放热量(快速过程)，热量以导热、对流、辐射方式传递给蒸汽(慢速过程)，蒸汽进入汽轮机带动发电机发电(快速过程)3个过程[4]。整个过程呈现两头快、中间慢，目前的机组负荷控制策略缺乏有效提升热量传递速率的方法，导致调负荷过程中炉内燃烧温度要先于负荷变化的结果。该锅炉炉内温度的变化时间(从第101 min到第115 min)比负荷的变化时间(从第110 min到第124 min)快了约9 min。

图7 炉内平均温度及负荷随时间的变化

图8给出了升负荷过程中燃料量和风量随时间的变化曲线。结合图7和图8可知，升负荷之前的稳定负荷阶段(1～100 min)，炉内风量相对较为平稳，而燃料量的波动较大，这使得炉内平均温度也有较大波动；升负荷是先加大燃料量，炉内温度也在同一时刻(101 min)相应升高，燃料量增加的时间与炉内温度升高的时间一致，均为101～115 min；随后，风量开始增加(111～126 min)，其与负荷升高的时间(110～124 min)非常接近，表明风量对机组负荷的影响更直接，这与文献[20]中提出的应主要根据负荷的变化对锅炉总送风量进行控制的观念相吻合。此外，升负荷完成之后，由于燃料量存在超调，又开始减少燃料量，加上风量调整与燃料量调整的不同步，形成了温度的震荡，最终导致调整之后的负荷也并不稳定，而且升负荷时炉内温度过高，存在较大波动，这种炉内燃烧过程的不稳定易引起锅炉超温等事故。

(a) 燃料量

3 结 论

本文将深度学习与热辐射成像模型相耦合，基于多层感知器神经网络建立了炉内温度场重建算法，并开展了燃煤锅炉温度场重建模拟及实验研究。结果表明， MLP神经网络具有良好的泛化和预测能力，炉内单峰和双峰温度场最大相对误差均小于2%，适用于大型炉膛温度场在线测量；在升负荷实验中，基于MLP神经网络预测的炉内温度变化明显超前于负荷变化，燃料量对炉内温度影响较大，而风量对机组负荷影响较大。上述初步研究证明，耦合深度学习与热辐射成像的炉内温度场在线测量系统，在提升煤电机组的灵活调峰能力方面具有较好的应用潜力。