一种基于光谱的燃煤电站炉膛燃烧状态识别方法技术

本发明专利技术公开了属于火电厂炉膛燃烧技术领域的一种基于光谱的燃煤电站炉膛燃烧状态识别方法。包括以下步骤：使用光谱仪测得200nm～1750nm的炉膛火焰辐射光谱信号；选择波段范围计算火焰温度T和火焰黑度ε作为炉膛火焰燃烧的第一特征参数；计算Fe元素辐射光谱强度与步骤2选择的波段范围中辐射强度平均值的强度比值R作为炉膛火焰燃烧的第二特征参数；计算辐射总强度D作为炉膛火焰燃烧的第三特征参数；选定三种特征参数的数据集作为深度学习训练模型的输入层，并设计输出状态；将光谱数据的三种特征参数输入训练完成的模型进行燃烧状态识别。本发明专利技术可在机组深度调峰期间，识别炉膛燃烧状态，指导现场运行工况。指导现场运行工况。指导现场运行工况。

【技术实现步骤摘要】
一种基于光谱的燃煤电站炉膛燃烧状态识别方法


[0001]本专利技术涉及火电厂炉膛燃烧
，尤其涉及一种基于光谱的燃煤电站炉膛燃烧状态识别方法。

技术介绍

[0002]可再生能源因受到环境的影响而无法为电网提供稳定电能，需要燃煤电站机组通过深度调峰和快速变负荷的方式来维持电网供电负荷的平衡。机组深度调峰期间，炉膛温度急速下降，导致煤粉着火困难，严重影响炉膛火焰燃烧的稳定性，此时实时准确地判断炉膛火焰燃烧状态则是燃烧工况调整必不可少的条件。
[0003]传统的光谱型火焰检测方法包括紫外火焰检测法、红外火焰检测法和可见光火焰检测法，分别利用不同的光谱信号进行检测。紫外火焰检测法是利用紫外光谱中火焰燃烧产生的特征光谱信号进行检测；红外火焰检测法是利用火焰燃烧时产生的红外辐射信号进行检测；可见光火焰检测法则是利用火焰燃烧时产生的可见光信号进行检测。
[0004]黄耀松等在基于辐射光谱法的火焰燃烧稳定性检测研究中采用了由光敏三极管、检测电路组成的光电转换系统将火焰辐射光信号转换为电信号，并提取其时域特征、频域特征和相位特征，采用马氏距离、神经网络及最小二乘支持向量机三种算法进行火焰燃烧稳定性识别。黄耀松等未对各个波段上不同的光谱信号进行特征量提取。
[0005]现有技术中公开号CN115541803A的专利公开了一种光谱分析燃煤电站锅炉燃烧火焰稳定性在线检测方法，包括以下步骤：S1:利用光谱仪采集测量200
‑
1100nm辐射光谱；S2:根据采集的光谱进行平均光谱辐射强度、火焰脉动频率、燃烧温度和平均光谱发射率的参数测量；S3：将燃烧的煤粉浓度作为表征燃烧稳定性指数的参数，并将步骤S2中测量的参数带入，建立方程；S4:通过线性回归算法，建立燃烧稳定性指数CSI的函数，可实现燃烧稳定性指数的在线监测。然而，该现有技术存在如下缺陷：上述技术中所测量波段为200
‑
1000nm未能反应锅炉燃烧时所产生火焰的光谱在近红外光波段的变化情况；上述技术中采用平均光谱辐射强度作为一种测量参数，在实际中根据火焰燃烧状态不同，所产生的辐射强度只会在特定波段内得到反应，采用平均光谱辐射强度则会弱化这一现象；上述技术中采用燃烧的煤粉浓度作为表征燃烧稳定性指数的参数，在实际电厂运行中，应环保要求，燃煤机组通常采用低氮燃烧方式，为降低焰心温度以减少NOx排放，燃烧器附近火焰处于缺氧燃烧状态，采用燃烧的煤粉浓度作为表征燃烧稳定性指数的参数不能反应氧量变化对其的影响。
[0006]公开号CN106897540A的专利公开了一种锅炉燃烧器燃烧状态在线监测及优化调整方法，包括以下步骤：一种燃烧器燃烧状态在线监测及优化调整方法，在锅炉燃烧器处布置分光谱火检器，收集分光谱火检器以及炉膛压力传感器的监测信号，在智能处理器上进行处理，获得相关的特征参数，作为输入参数，通过人工神经网络算法，得到燃烧状态和炉膛NOx排放的参数，判断燃烧状态的合理性，并将相关调整指令传递给DCS系统，进而对锅炉燃烧进行调整，实现对锅炉更为精细化和智能化的控制。然而，该现有技术存在如下缺陷：
上述技术所述特征参数包括燃烧火焰的红外光谱、可见光光谱、紫外光谱和炉膛压力信号的时均值、均方差、标准差、功率谱密度、功率谱熵和小波能量熵，但在实际测得炉膛火焰光谱中紫外光谱信号极不明显，无法作为炉膛火焰燃烧的特征参数，在红外光谱和可见光光谱中也仅有部分波段能较好的反应出炉膛火焰燃烧的情况。
[0007]因此，需要一种可靠的燃煤电站炉膛燃烧状态识别方法，通过采集200
‑
1750nm内的炉膛火焰辐射光谱信号对其进行分析训练，以解决深度调峰期间炉膛火焰燃烧状态的识别问题。

技术实现思路

[0008]本专利技术的目的是提出一种基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，包括以下步骤：
[0009]步骤1：使用光谱仪测得200nm～1750nm的炉膛火焰辐射光谱信号；
[0010]步骤2：根据普朗克定量和双色法灰体特性判断原理，选择波段范围计算火焰温度T和火焰黑度ε作为炉膛火焰燃烧的第一特征参数；
[0011]步骤3：计算Fe元素辐射光谱强度与步骤2选择的波段范围中辐射强度平均值的强度比值R作为炉膛火焰燃烧的第二特征参数；
[0012]步骤4：计算辐射总强度D作为炉膛火焰燃烧的第三特征参数；
[0013]步骤5：选定第一特征参数、第二特征参数、第三特征参数的数据集作为深度学习训练模型的输入层，根据不同氧气浓度设计输出状态；
[0014]步骤6：将光谱数据的三种特征参数输入训练完成的深度学习训练模型进行燃烧状态识别。
[0015]所述步骤2中的波段范围为800nm～1000nm和1400nm～1600nm。
[0016]所述步骤2中火焰温度T和火焰黑度ε的计算方法分别如下：
[0017][0018][0019]式中，λ为波长，Δλ为波长变化值，c为光速，h为普朗克常数，k为玻尔兹曼常数，T为火焰温度，ε(λ)为火焰黑度，I(λ,T)为所测得的辐射强度，I
b
(λ,T)为辐射对象的单色黑体辐射强度。
[0020]所述步骤3中的强度比值R计算方法如下：
[0021][0022]式中，q
Fe
为Fe元素发出的光谱辐射强度，q
min
为选定波长范围中辐射强度的最小值，a,b分别为所选波长区间的最小值和最大值，q
i
为每个波长所对应的辐射强度。
[0023]所述步骤4中的辐射总强度D计算方法如下：
[0024][0025]式中，λ为波长，a,b分别为所选波长区间的最小值和最大值，I(λ)为所测得的光谱
辐射强度。
[0026]所述步骤5中的输出状态为富氧燃烧、正常燃烧、缺氧燃烧、严重缺氧和熄灭。
[0027]所述步骤5中的深度学习训练模型为BP多层神经网络，其采用的激活函数σ(x)为：
[0028][0029]反向传播函数为：
[0030][0031][0032]式中，y
i
为设定输出值，为输出层输出值，p为输出层输出个数，E
total
为所有设定输出值与输出层输出值的方差，η为学习率，ω
ij
为网络连接的权重值，为更新后权重值。
[0033]一种基于光谱的燃煤电站炉膛燃烧状态识别装置，其特征在于，包括：
[0034]测量模块，用于光谱仪测得200nm～1750nm的炉膛火焰辐射光谱信号；
[0035]计算模块，用于根据普朗克定量和双色法灰体特性判断原理，选择波段范围计算火焰温度T和火焰黑度ε作为炉膛火焰燃烧的第一特征参数；计算Fe元素辐射光谱强度与步骤2选择的波段范围中辐射强度平均值的强度比值R作为炉膛火焰燃烧的第二特征参数；计算辐射总强度D作为炉膛火焰燃烧的第三特征参数；
[0036]识别模块，用于选定第一特征参数、第二特征参数、第三特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，包括以下步骤：步骤1：使用光谱仪测得200nm～1750nm的炉膛火焰辐射光谱信号；步骤2：根据普朗克定量和双色法灰体特性判断原理，选择波段范围计算火焰温度T和火焰黑度ε作为炉膛火焰燃烧的第一特征参数；步骤3：计算Fe元素辐射光谱强度与步骤2选择的波段范围中辐射强度平均值的强度比值R作为炉膛火焰燃烧的第二特征参数；步骤4：计算辐射总强度D作为炉膛火焰燃烧的第三特征参数；步骤5：选定第一特征参数、第二特征参数、第三特征参数的数据集作为深度学习训练模型的输入层，根据不同氧气浓度设计输出状态；步骤6：将光谱数据的三种特征参数输入训练完成的深度学习训练模型进行燃烧状态识别。2.根据权利要求1所述基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，所述步骤2中的波段范围为800nm～1000nm和1400nm～1600nm。3.根据权利要求1所述基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，所述步骤2中火焰温度T和火焰黑度ε的计算方法分别如下：步骤2中火焰温度T和火焰黑度ε的计算方法分别如下：式中，λ为波长，Δλ为波长变化值，c为光速，h为普朗克常数，k为玻尔兹曼常数，T为火焰温度，ε(λ)为火焰黑度，I(λ,T)为所测得的辐射强度，I
b
(λ,T)为辐射对象的单色黑体辐射强度。4.根据权利要求1所述基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，所述步骤3中的强度比值R计算方法如下：式中，q
Fe
为Fe元素发出的光谱辐射强度，q
min
为选定波长范围中辐射强度的最小值，a,b分别为所选波长区间的最小值和最大值，q
i
为每个波长所对应的辐射强度。5.根据权利要求1所述基于光谱的燃煤电站炉膛燃烧状态识别方法，其特征在于，所述步骤4中的辐射总强度D计算方法如下：式中，λ为波长，a...

【专利技术属性】
技术研发人员：牛玉广，葛沈炜，许世森，张庭，王明月，党璐，陈江，杜鸣，
申请(专利权)人：华能集团技术创新中心有限公司西安热工研究院有限公司，
类型：发明
国别省市：