基于深度學習與熱輻射成像耦合的爐內溫度場在線測量

唐廣通， 許燁烽， 閆慧博， 汪潮洋， 劉志強， 婁 春

(1.國網河北能源技術服務有限公司，石家莊 050021；2.華中科技大學 能源與動力工程學院，武漢 430074)

當前，解決氣候變化問題的突破口主要是“控碳”。我國于第75屆聯合國大會上做出“二氧化碳排放力爭于2030年前達到峰值，努力爭取2060年前實現碳中和”的承諾。實現雙碳目標，需要全社會的經濟、能源、技術體系等進行轉型升級,尤其是燃煤發電行業，應進一步提升現有機組的能效水平和煤電機組的靈活調峰能力,加強與可再生能源的耦合發展[1]。隨著可再生能源裝機比重的不斷增加，智慧型電廠的升級勢在必行，而智能測量與控制技術是關鍵技術之一[2-3]。

燃煤鍋爐的爐內燃燒是復雜的三維物理化學過程[4]，爐內燃燒過程作為燃煤智能發電的關鍵影響環節，其溫度場分布是否合理會影響鍋爐的經濟、穩定和安全。因此，燃煤鍋爐在線監測及智能優化運行技術在研發智能發電技術時起著重要作用，特別是爐內溫度場在線監測技術。由于爐內燃燒溫度較高，通常采用非接觸式方法測量爐膛等工程燃燒裝置內的溫度場[5]。目前，已實際應用的爐內溫度場在線監測技術包括聲學技術[6]、吸收光譜技術[7]和熱輻射成像技術[8-9]。其中熱輻射成像技術具有較高的時空分辨率，其根據輻射傳遞方程建立爐內各方向的輻射強度和爐內溫度場的熱輻射成像模型，然后使用熱輻射反問題求解算法重建爐內溫度分布，目前已應用于國內200 MW、300 MW和660 MW等多臺燃煤機組中[3-5, 9]。但是熱輻射成像模型的不適定性較強，典型的求解算法是Tikhonov正則化方法，該方法基于正則化思想，運用一系列與原問題類似的適定問題的解來近似原問題的解[4,10]。目前，該方法在實際爐內溫度場重建中得到了廣泛應用，重建結果能夠反映爐內燃燒工況的變化，并與抽氣熱電偶、高溫計等測溫方法進行了對比，偏差在5%以內。需要注意的是，該方法中正則化參數的取值對溫度場重建結果有較大影響。在此基礎上，Qiu等[11]提出了一種基于三次樣條插值的正則化重建和廣義奇異值分解的混合方法，用以優化正則化參數的選取精確度和效率，由于該混合方法涉及了耗時較多的矩陣運算，對爐內溫度場在線監測的實時性有所影響；且為了保證較好的時間分辨率，并沒有充分利用所檢測的輻射圖像信息，這也使得爐內溫度場重建的穩定性還有提高空間。

隨著計算能力和資源的快速發展，深度學習(Deep Learning)得到了廣泛應用[12]，尤其是求解不適定問題方面的適配性較好。這是因為深度學習能夠僅通過自身訓練就能在給定輸入值時得到與期望輸出值最相近的結果。多層感知器神經網絡(MLP)、卷積神經網絡(CNN)等已被廣泛應用于從邊界出射輻射強度中重建燃燒火焰的輻射源項、溫度及組分濃度分布。Jin等[13]提出了基于CNN的三維快速火焰化學發光層析成像重建系統，從實時捕獲的投影中重建了火焰三維結構。Ren等[14-15]將平面燃燒器的紅外光譜輻射作為測量數據，用MLP同時反演了溫度和主要氣體組分濃度。Wang等[16]開發了一種2步MLP神經網絡，從碳煙輻射中反演了層流擴散火焰溫度場。李智聰等[17]采用MLP從乙烯層流擴散火焰的高光譜輻射強度中預測了火焰溫度和碳煙濃度分布。上述基于多層神經網絡的深度學習算法的成功應用，為大型爐內溫度場重建提供了新的思路，有助于提高爐內溫度場在線監測的實時性和穩定性。

筆者利用熱輻射成像模型計算得到訓練數據集，基于MLP開展了大型爐內溫度場重建的模擬及實驗研究，并通過機組調峰試驗分析了升負荷過程中燃料量、風量對爐內溫度的影響，以此探討爐內溫度場在線測量系統的應用前景。

1 模型與算法

1.1 爐內熱輻射成像模型

在具有發射、吸收、反射特性的壁面所形成的三維爐膛系統中需考慮燃燒介質的發射、吸收、散射特性，將其空間區域劃分為u個單元，壁面劃分為v個單元。根據熱輻射成像原理[8-9]，在爐膛壁面布置多個CCD成像裝置，以獲得爐內各方向的輻射強度信息。CCD相機的成像單元數為w，其接受到各方向的輻射強度I與爐內溫度T的關系為：

I=A1Tg+A2Tw=AT

(1)

式(1)表示的熱輻射成像模型考慮了熱輻射在爐內的物理傳遞過程，進而確定了接收的爐內輻射信息和爐內溫度場之間的定量關系。

由于熱輻射成像過程中不同成像單元對入射輻射有強烈的方向選擇性，且燃燒介質對熱輻射也有衰減作用，使得式(1)具有強烈的不適定性，常用的最小二乘法等難以從中求解出溫度場。為了簡化求解問題，考慮鍋爐水冷壁的吸熱導致爐膛壁溫與燃燒介質溫度相差較大這一特性，同時在重建爐內三維溫度場時默認εw和Tw已知，從獲得的熱輻射信息中除去壁面輻射貢獻，并采用處理不適定問題的Tikhonov正則化方法只重建爐內溫度分布[4]。

1.2 MLP神經網絡重建算法

采用前饋神經網絡中的多層感知器，其神經元分層排列，包含1個輸入層、1個或多個隱藏層以及1個輸出層，層與層之間沒有反饋。每一層又包含數個神經元節點，單個神經元的輸出是前一層所有神經元x={xi|x1,x2,x3,…,xn}的加權和：

(2)

式中：f為激活函數；w={wi|w1,w2,w3,…,wn}，為神經元間的連接權重；b為閾值。

MLP是通過自身的訓練學習規則實現深度學習。筆者基于Python3.8的Keras框架構建用于重建爐內溫度場的MLP神經網絡，如圖1所示。根據CCD相機的成像單元數和爐膛截面網格劃分，輸入層是CCD相機接收到的輻射強度分布，神經元個數為l；輸出層是爐內溫度場，神經元個數為m；隱藏層層數及每層神經元個數結合訓練數據逐步確定。單個神經元的計算原理見文獻[17]。

圖1 MLP神經網絡構架

訓練的過程就是利用優化算法更新權重和閾值，使損失函數最小。采用均值為0、方差為1的正態分布對權重和閾值進行初始化，并選用具有自適應學習率的Adam算法，損失函數L定義為均方誤差：

(3)

式中：y為神經網絡輸出結果的標簽值；y′為預測值；α為權衡L2正則化項和標準目標函數相對貢獻的超參數。

訓練使用的輸入數據為接收到的輻射強度分布，輸出數據為爐內溫度場，訓練的目的是使神經網絡對于訓練數據和測試數據均能預測出準確結果。為提高MLP神經網絡的泛化和預測能力，采用以下2種優化方式：(1)對輸入數據進行歸一化處理；(2)為了限制模型的學習能力，在隱藏層的連接權重w中添加L2正則化。

2 燃煤鍋爐溫度場測量

2.1 爐內溫度場重建

首先開展了基于深度學習與熱輻射成像耦合的爐內溫度場重建模擬研究。采用文獻[18]～文獻[19]的爐內輻射成像模型，如圖2所示，設爐膛橫截面的寬度、深度均為14 m，將爐內空間介質區域劃分為10×10=100個網格單元；在爐膛邊界4個位置布置4個CCD相機，每個相機的靶面劃分為90個成像單元，則構建的MLP神經網絡的輸入層有360個神經元，輸出層有100個神經元，結合訓練數據逐步調整，最終確定隱藏層每層500個神經元，共計12層。

圖2 爐內網格劃分及CCD相機位置

爐內溫度場設定了單峰分布和雙峰分布2種類型，分別由式(4)和式(5)獲得：

T(x,y)=

(4)

T(x,y)=

(5)

式中：x、y分別為爐膛深度和爐膛寬度；a和h為系數，取值范圍為-10

將式(4)和式(5)分別帶入式(1)中可獲得各自的數據集，單峰和雙峰2種溫度場的數據集各包括10 010組數據，其中10 000組數據作為訓練數據集，剩余10組數據作為測試數據集。訓練次數主要影響損失函數和訓練時間，前者代表神經網絡的預測能力，后者代表訓練神經網絡的時間成本，綜合考慮后選擇訓練次數為400次。為了驗證MLP神經網絡模型的預測能力，訓練完成后帶入訓練數據或測試數據集重建爐內溫度場。

表1給出了訓練數據的爐內溫度場重建誤差。可以看出，單峰溫度場和雙峰溫度場的最大相對誤差均小于2%，說明MLP神經網絡可用于不同溫度場的重建。

表1 訓練數據的重建誤差

隨后帶入測試數據，圖3和圖4給出了單峰溫度場和雙峰溫度場的設定值與重建結果的對比，表2給出了2種溫度場的重建誤差。

從圖3、圖4和表2可以看出，對于已訓練好的MLP神經網絡，輸入測試數據得到的2種溫度場的最大相對誤差雖略大于輸入訓練數據得到的誤差，但同樣小于2%，說明所建立的MLP神經網絡具有良好的泛化和預測能力。

(a) 設定的單峰溫度分布

(a) 設定的雙峰溫度分布

在2種溫度場的測試數據集中添加3%、5%和7%的隨機噪聲，研究MLP神經網絡模型的抗噪能力，結果如表3和表4所示。可以看出，隨著隨機噪聲的增加，2種溫度場的最大相對誤差增大，但均小于4%，其他指標也在可接受范圍內，表明MLP神經網絡具有較好的抗噪能力。

表2 測試數據的重建誤差

表3 單峰溫度場的重建誤差

表4 雙峰溫度場的重建誤差

2.2 爐內溫度場在線測量實驗

在某臺300 MW機組燃煤鍋爐上安裝一套基于深度學習與熱輻射成像耦合的爐內溫度場在線測量系統，進行爐膛溫度場重建實驗。該鍋爐為1 025 t/h亞臨界中間再熱自然循環鍋爐，單爐膛Π型布置，采用四角切圓燃燒方式，設計煤種為混合貧煤。爐膛的橫截面尺寸為寬14.048 m、深11.858 m，將爐膛橫截面分為10×10=100個網格，系統將給出每個網格單元的溫度值。系統結構示意圖如圖5所示，在爐膛中上部(最上層燃燒器以上7 m處)的四角布置了4個爐膛火焰探測器，各探測器在同一時刻拍攝到的圖像進入四畫面分割器中，合成一幅圖像，通過視頻采集卡將火焰圖像采集到工控機中，在工控機中運用深度學習算法完成溫度場的在線測量及可視化顯示。

圖5 爐內溫度場在線測量系統結構示意圖

計算得到輻射成像系數矩陣A，并根據式(4)設定單峰溫度場，考慮溫度范圍為300～3 000 K，并對溫度添加0%～10%的隨機噪聲來模擬實際爐膛溫度分布情況。構建的訓練數據為20 000組，測試數據為100組。MLP神經網絡模型的具體設置與2.1節一致。

訓練得到的MLP神經網絡模型對測試數據的預測精度可達96%以上。圖6給出了該MLP神經網絡模型對最上層燃燒器以上7 m處的重建結果。從圖6可以看出，由于該鍋爐采用四角切圓燃燒方式，爐內橫截面溫度場均呈單峰分布；且該檢測區域位于燃燒器之上的充分燃燒區域，釋放的能量也相對較多，溫度分布在1 000～1 600 K。需要說明的是，該爐內橫截面靠后墻的兩角區域溫度較低，并不是代表該區域的燃燒器未投入運行，而可能是流場不均勻帶來的溫度偏差。

圖6 鍋爐爐內溫度場實驗結果

進一步開展機組調峰試驗，分析了火電機組升負荷過程中燃料量、風量對爐內溫度的影響。圖7給出了爐內平均溫度與負荷隨時間的變化曲線。從圖7可以看出，當負荷從180 MW升高到約230 MW時，爐內平均溫度從1 250 K升高到1 450 K，且爐內溫度的升高趨勢明顯快于負荷的升高趨勢。這是因為火電機組存在純延遲、大滯后現象，火電機組的多級能量轉換主要包括爐內燃燒釋放熱量(快速過程)，熱量以導熱、對流、輻射方式傳遞給蒸汽(慢速過程)，蒸汽進入汽輪機帶動發電機發電(快速過程)3個過程[4]。整個過程呈現兩頭快、中間慢，目前的機組負荷控制策略缺乏有效提升熱量傳遞速率的方法，導致調負荷過程中爐內燃燒溫度要先于負荷變化的結果。該鍋爐爐內溫度的變化時間(從第101 min到第115 min)比負荷的變化時間(從第110 min到第124 min)快了約9 min。

圖7 爐內平均溫度及負荷隨時間的變化

圖8給出了升負荷過程中燃料量和風量隨時間的變化曲線。結合圖7和圖8可知，升負荷之前的穩定負荷階段(1～100 min)，爐內風量相對較為平穩，而燃料量的波動較大，這使得爐內平均溫度也有較大波動；升負荷是先加大燃料量，爐內溫度也在同一時刻(101 min)相應升高，燃料量增加的時間與爐內溫度升高的時間一致，均為101～115 min；隨后，風量開始增加(111～126 min)，其與負荷升高的時間(110～124 min)非常接近，表明風量對機組負荷的影響更直接，這與文獻[20]中提出的應主要根據負荷的變化對鍋爐總送風量進行控制的觀念相吻合。此外，升負荷完成之后，由于燃料量存在超調，又開始減少燃料量，加上風量調整與燃料量調整的不同步，形成了溫度的震蕩，最終導致調整之后的負荷也并不穩定，而且升負荷時爐內溫度過高，存在較大波動，這種爐內燃燒過程的不穩定易引起鍋爐超溫等事故。

(a) 燃料量

3 結 論

本文將深度學習與熱輻射成像模型相耦合，基于多層感知器神經網絡建立了爐內溫度場重建算法，并開展了燃煤鍋爐溫度場重建模擬及實驗研究。結果表明， MLP神經網絡具有良好的泛化和預測能力，爐內單峰和雙峰溫度場最大相對誤差均小于2%，適用于大型爐膛溫度場在線測量；在升負荷實驗中，基于MLP神經網絡預測的爐內溫度變化明顯超前于負荷變化，燃料量對爐內溫度影響較大，而風量對機組負荷影響較大。上述初步研究證明，耦合深度學習與熱輻射成像的爐內溫度場在線測量系統，在提升煤電機組的靈活調峰能力方面具有較好的應用潛力。