基于深度學(xué)習(xí)與熱輻射成像耦合的爐內(nèi)溫度場(chǎng)在線測(cè)量

唐廣通， 許燁烽， 閆慧博， 汪潮洋， 劉志強(qiáng)， 婁 春

(1.國(guó)網(wǎng)河北能源技術(shù)服務(wù)有限公司，石家莊 050021；2.華中科技大學(xué) 能源與動(dòng)力工程學(xué)院，武漢 430074)

當(dāng)前，解決氣候變化問(wèn)題的突破口主要是“控碳”。我國(guó)于第75屆聯(lián)合國(guó)大會(huì)上做出“二氧化碳排放力爭(zhēng)于2030年前達(dá)到峰值，努力爭(zhēng)取2060年前實(shí)現(xiàn)碳中和”的承諾。實(shí)現(xiàn)雙碳目標(biāo)，需要全社會(huì)的經(jīng)濟(jì)、能源、技術(shù)體系等進(jìn)行轉(zhuǎn)型升級(jí),尤其是燃煤發(fā)電行業(yè)，應(yīng)進(jìn)一步提升現(xiàn)有機(jī)組的能效水平和煤電機(jī)組的靈活調(diào)峰能力,加強(qiáng)與可再生能源的耦合發(fā)展[1]。隨著可再生能源裝機(jī)比重的不斷增加，智慧型電廠的升級(jí)勢(shì)在必行，而智能測(cè)量與控制技術(shù)是關(guān)鍵技術(shù)之一[2-3]。

燃煤鍋爐的爐內(nèi)燃燒是復(fù)雜的三維物理化學(xué)過(guò)程[4]，爐內(nèi)燃燒過(guò)程作為燃煤智能發(fā)電的關(guān)鍵影響環(huán)節(jié)，其溫度場(chǎng)分布是否合理會(huì)影響鍋爐的經(jīng)濟(jì)、穩(wěn)定和安全。因此，燃煤鍋爐在線監(jiān)測(cè)及智能優(yōu)化運(yùn)行技術(shù)在研發(fā)智能發(fā)電技術(shù)時(shí)起著重要作用，特別是爐內(nèi)溫度場(chǎng)在線監(jiān)測(cè)技術(shù)。由于爐內(nèi)燃燒溫度較高，通常采用非接觸式方法測(cè)量爐膛等工程燃燒裝置內(nèi)的溫度場(chǎng)[5]。目前，已實(shí)際應(yīng)用的爐內(nèi)溫度場(chǎng)在線監(jiān)測(cè)技術(shù)包括聲學(xué)技術(shù)[6]、吸收光譜技術(shù)[7]和熱輻射成像技術(shù)[8-9]。其中熱輻射成像技術(shù)具有較高的時(shí)空分辨率，其根據(jù)輻射傳遞方程建立爐內(nèi)各方向的輻射強(qiáng)度和爐內(nèi)溫度場(chǎng)的熱輻射成像模型，然后使用熱輻射反問(wèn)題求解算法重建爐內(nèi)溫度分布，目前已應(yīng)用于國(guó)內(nèi)200 MW、300 MW和660 MW等多臺(tái)燃煤機(jī)組中[3-5, 9]。但是熱輻射成像模型的不適定性較強(qiáng)，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(yùn)用一系列與原問(wèn)題類(lèi)似的適定問(wèn)題的解來(lái)近似原問(wèn)題的解[4,10]。目前，該方法在實(shí)際爐內(nèi)溫度場(chǎng)重建中得到了廣泛應(yīng)用，重建結(jié)果能夠反映爐內(nèi)燃燒工況的變化，并與抽氣熱電偶、高溫計(jì)等測(cè)溫方法進(jìn)行了對(duì)比，偏差在5%以內(nèi)。需要注意的是，該方法中正則化參數(shù)的取值對(duì)溫度場(chǎng)重建結(jié)果有較大影響。在此基礎(chǔ)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(yōu)化正則化參數(shù)的選取精確度和效率，由于該混合方法涉及了耗時(shí)較多的矩陣運(yùn)算，對(duì)爐內(nèi)溫度場(chǎng)在線監(jiān)測(cè)的實(shí)時(shí)性有所影響；且為了保證較好的時(shí)間分辨率，并沒(méi)有充分利用所檢測(cè)的輻射圖像信息，這也使得爐內(nèi)溫度場(chǎng)重建的穩(wěn)定性還有提高空間。

隨著計(jì)算能力和資源的快速發(fā)展，深度學(xué)習(xí)(Deep Learning)得到了廣泛應(yīng)用[12]，尤其是求解不適定問(wèn)題方面的適配性較好。這是因?yàn)樯疃葘W(xué)習(xí)能夠僅通過(guò)自身訓(xùn)練就能在給定輸入值時(shí)得到與期望輸出值最相近的結(jié)果。多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)等已被廣泛應(yīng)用于從邊界出射輻射強(qiáng)度中重建燃燒火焰的輻射源項(xiàng)、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(xué)發(fā)光層析成像重建系統(tǒng)，從實(shí)時(shí)捕獲的投影中重建了火焰三維結(jié)構(gòu)。Ren等[14-15]將平面燃燒器的紅外光譜輻射作為測(cè)量數(shù)據(jù)，用MLP同時(shí)反演了溫度和主要?dú)怏w組分濃度。Wang等[16]開(kāi)發(fā)了一種2步MLP神經(jīng)網(wǎng)絡(luò)，從碳煙輻射中反演了層流擴(kuò)散火焰溫度場(chǎng)。李智聰?shù)萚17]采用MLP從乙烯層流擴(kuò)散火焰的高光譜輻射強(qiáng)度中預(yù)測(cè)了火焰溫度和碳煙濃度分布。上述基于多層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法的成功應(yīng)用，為大型爐內(nèi)溫度場(chǎng)重建提供了新的思路，有助于提高爐內(nèi)溫度場(chǎng)在線監(jiān)測(cè)的實(shí)時(shí)性和穩(wěn)定性。

筆者利用熱輻射成像模型計(jì)算得到訓(xùn)練數(shù)據(jù)集，基于MLP開(kāi)展了大型爐內(nèi)溫度場(chǎng)重建的模擬及實(shí)驗(yàn)研究，并通過(guò)機(jī)組調(diào)峰試驗(yàn)分析了升負(fù)荷過(guò)程中燃料量、風(fēng)量對(duì)爐內(nèi)溫度的影響，以此探討爐內(nèi)溫度場(chǎng)在線測(cè)量系統(tǒng)的應(yīng)用前景。

1 模型與算法

1.1 爐內(nèi)熱輻射成像模型

在具有發(fā)射、吸收、反射特性的壁面所形成的三維爐膛系統(tǒng)中需考慮燃燒介質(zhì)的發(fā)射、吸收、散射特性，將其空間區(qū)域劃分為u個(gè)單元，壁面劃分為v個(gè)單元。根據(jù)熱輻射成像原理[8-9]，在爐膛壁面布置多個(gè)CCD成像裝置，以獲得爐內(nèi)各方向的輻射強(qiáng)度信息。CCD相機(jī)的成像單元數(shù)為w，其接受到各方向的輻射強(qiáng)度I與爐內(nèi)溫度T的關(guān)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(nèi)的物理傳遞過(guò)程，進(jìn)而確定了接收的爐內(nèi)輻射信息和爐內(nèi)溫度場(chǎng)之間的定量關(guān)系。

由于熱輻射成像過(guò)程中不同成像單元對(duì)入射輻射有強(qiáng)烈的方向選擇性，且燃燒介質(zhì)對(duì)熱輻射也有衰減作用，使得式(1)具有強(qiáng)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(chǎng)。為了簡(jiǎn)化求解問(wèn)題，考慮鍋爐水冷壁的吸熱導(dǎo)致?tīng)t膛壁溫與燃燒介質(zhì)溫度相差較大這一特性，同時(shí)在重建爐內(nèi)三維溫度場(chǎng)時(shí)默認(rèn)εw和Tw已知，從獲得的熱輻射信息中除去壁面輻射貢獻(xiàn)，并采用處理不適定問(wèn)題的Tikhonov正則化方法只重建爐內(nèi)溫度分布[4]。

1.2 MLP神經(jīng)網(wǎng)絡(luò)重建算法

采用前饋神經(jīng)網(wǎng)絡(luò)中的多層感知器，其神經(jīng)元分層排列，包含1個(gè)輸入層、1個(gè)或多個(gè)隱藏層以及1個(gè)輸出層，層與層之間沒(méi)有反饋。每一層又包含數(shù)個(gè)神經(jīng)元節(jié)點(diǎn)，單個(gè)神經(jīng)元的輸出是前一層所有神經(jīng)元x={xi|x1,x2,x3,…,xn}的加權(quán)和：

(2)

式中：f為激活函數(shù)；w={wi|w1,w2,w3,…,wn}，為神經(jīng)元間的連接權(quán)重；b為閾值。

MLP是通過(guò)自身的訓(xùn)練學(xué)習(xí)規(guī)則實(shí)現(xiàn)深度學(xué)習(xí)。筆者基于Python3.8的Keras框架構(gòu)建用于重建爐內(nèi)溫度場(chǎng)的MLP神經(jīng)網(wǎng)絡(luò)，如圖1所示。根據(jù)CCD相機(jī)的成像單元數(shù)和爐膛截面網(wǎng)格劃分，輸入層是CCD相機(jī)接收到的輻射強(qiáng)度分布，神經(jīng)元個(gè)數(shù)為l；輸出層是爐內(nèi)溫度場(chǎng)，神經(jīng)元個(gè)數(shù)為m；隱藏層層數(shù)及每層神經(jīng)元個(gè)數(shù)結(jié)合訓(xùn)練數(shù)據(jù)逐步確定。單個(gè)神經(jīng)元的計(jì)算原理見(jiàn)文獻(xiàn)[17]。

圖1 MLP神經(jīng)網(wǎng)絡(luò)構(gòu)架

訓(xùn)練的過(guò)程就是利用優(yōu)化算法更新權(quán)重和閾值，使損失函數(shù)最小。采用均值為0、方差為1的正態(tài)分布對(duì)權(quán)重和閾值進(jìn)行初始化，并選用具有自適應(yīng)學(xué)習(xí)率的Adam算法，損失函數(shù)L定義為均方誤差：

(3)

式中：y為神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的標(biāo)簽值；y′為預(yù)測(cè)值；α為權(quán)衡L2正則化項(xiàng)和標(biāo)準(zhǔn)目標(biāo)函數(shù)相對(duì)貢獻(xiàn)的超參數(shù)。

訓(xùn)練使用的輸入數(shù)據(jù)為接收到的輻射強(qiáng)度分布，輸出數(shù)據(jù)為爐內(nèi)溫度場(chǎng)，訓(xùn)練的目的是使神經(jīng)網(wǎng)絡(luò)對(duì)于訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)均能預(yù)測(cè)出準(zhǔn)確結(jié)果。為提高M(jìn)LP神經(jīng)網(wǎng)絡(luò)的泛化和預(yù)測(cè)能力，采用以下2種優(yōu)化方式：(1)對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理；(2)為了限制模型的學(xué)習(xí)能力，在隱藏層的連接權(quán)重w中添加L2正則化。

2 燃煤鍋爐溫度場(chǎng)測(cè)量

2.1 爐內(nèi)溫度場(chǎng)重建

首先開(kāi)展了基于深度學(xué)習(xí)與熱輻射成像耦合的爐內(nèi)溫度場(chǎng)重建模擬研究。采用文獻(xiàn)[18]～文獻(xiàn)[19]的爐內(nèi)輻射成像模型，如圖2所示，設(shè)爐膛橫截面的寬度、深度均為14 m，將爐內(nèi)空間介質(zhì)區(qū)域劃分為10×10=100個(gè)網(wǎng)格單元；在爐膛邊界4個(gè)位置布置4個(gè)CCD相機(jī)，每個(gè)相機(jī)的靶面劃分為90個(gè)成像單元，則構(gòu)建的MLP神經(jīng)網(wǎng)絡(luò)的輸入層有360個(gè)神經(jīng)元，輸出層有100個(gè)神經(jīng)元，結(jié)合訓(xùn)練數(shù)據(jù)逐步調(diào)整，最終確定隱藏層每層500個(gè)神經(jīng)元，共計(jì)12層。

圖2 爐內(nèi)網(wǎng)格劃分及CCD相機(jī)位置

爐內(nèi)溫度場(chǎng)設(shè)定了單峰分布和雙峰分布2種類(lèi)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(shù)，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(shù)據(jù)集，單峰和雙峰2種溫度場(chǎng)的數(shù)據(jù)集各包括10 010組數(shù)據(jù)，其中10 000組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，剩余10組數(shù)據(jù)作為測(cè)試數(shù)據(jù)集。訓(xùn)練次數(shù)主要影響損失函數(shù)和訓(xùn)練時(shí)間，前者代表神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，后者代表訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時(shí)間成本，綜合考慮后選擇訓(xùn)練次數(shù)為400次。為了驗(yàn)證MLP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，訓(xùn)練完成后帶入訓(xùn)練數(shù)據(jù)或測(cè)試數(shù)據(jù)集重建爐內(nèi)溫度場(chǎng)。

表1給出了訓(xùn)練數(shù)據(jù)的爐內(nèi)溫度場(chǎng)重建誤差。可以看出，單峰溫度場(chǎng)和雙峰溫度場(chǎng)的最大相對(duì)誤差均小于2%，說(shuō)明MLP神經(jīng)網(wǎng)絡(luò)可用于不同溫度場(chǎng)的重建。

表1 訓(xùn)練數(shù)據(jù)的重建誤差

隨后帶入測(cè)試數(shù)據(jù)，圖3和圖4給出了單峰溫度場(chǎng)和雙峰溫度場(chǎng)的設(shè)定值與重建結(jié)果的對(duì)比，表2給出了2種溫度場(chǎng)的重建誤差。

從圖3、圖4和表2可以看出，對(duì)于已訓(xùn)練好的MLP神經(jīng)網(wǎng)絡(luò)，輸入測(cè)試數(shù)據(jù)得到的2種溫度場(chǎng)的最大相對(duì)誤差雖略大于輸入訓(xùn)練數(shù)據(jù)得到的誤差，但同樣小于2%，說(shuō)明所建立的MLP神經(jīng)網(wǎng)絡(luò)具有良好的泛化和預(yù)測(cè)能力。

(a) 設(shè)定的單峰溫度分布

(a) 設(shè)定的雙峰溫度分布

在2種溫度場(chǎng)的測(cè)試數(shù)據(jù)集中添加3%、5%和7%的隨機(jī)噪聲，研究MLP神經(jīng)網(wǎng)絡(luò)模型的抗噪能力，結(jié)果如表3和表4所示?？梢钥闯觯S著隨機(jī)噪聲的增加，2種溫度場(chǎng)的最大相對(duì)誤差增大，但均小于4%，其他指標(biāo)也在可接受范圍內(nèi)，表明MLP神經(jīng)網(wǎng)絡(luò)具有較好的抗噪能力。

表2 測(cè)試數(shù)據(jù)的重建誤差

表3 單峰溫度場(chǎng)的重建誤差

表4 雙峰溫度場(chǎng)的重建誤差

2.2 爐內(nèi)溫度場(chǎng)在線測(cè)量實(shí)驗(yàn)

在某臺(tái)300 MW機(jī)組燃煤鍋爐上安裝一套基于深度學(xué)習(xí)與熱輻射成像耦合的爐內(nèi)溫度場(chǎng)在線測(cè)量系統(tǒng)，進(jìn)行爐膛溫度場(chǎng)重建實(shí)驗(yàn)。該鍋爐為1 025 t/h亞臨界中間再熱自然循環(huán)鍋爐，單爐膛Π型布置，采用四角切圓燃燒方式，設(shè)計(jì)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(gè)網(wǎng)格，系統(tǒng)將給出每個(gè)網(wǎng)格單元的溫度值。系統(tǒng)結(jié)構(gòu)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(gè)爐膛火焰探測(cè)器，各探測(cè)器在同一時(shí)刻拍攝到的圖像進(jìn)入四畫(huà)面分割器中，合成一幅圖像，通過(guò)視頻采集卡將火焰圖像采集到工控機(jī)中，在工控機(jī)中運(yùn)用深度學(xué)習(xí)算法完成溫度場(chǎng)的在線測(cè)量及可視化顯示。

圖5 爐內(nèi)溫度場(chǎng)在線測(cè)量系統(tǒng)結(jié)構(gòu)示意圖

計(jì)算得到輻射成像系數(shù)矩陣A，并根據(jù)式(4)設(shè)定單峰溫度場(chǎng)，考慮溫度范圍為300～3 000 K，并對(duì)溫度添加0%～10%的隨機(jī)噪聲來(lái)模擬實(shí)際爐膛溫度分布情況。構(gòu)建的訓(xùn)練數(shù)據(jù)為20 000組，測(cè)試數(shù)據(jù)為100組。MLP神經(jīng)網(wǎng)絡(luò)模型的具體設(shè)置與2.1節(jié)一致。

訓(xùn)練得到的MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)的預(yù)測(cè)精度可達(dá)96%以上。圖6給出了該MLP神經(jīng)網(wǎng)絡(luò)模型對(duì)最上層燃燒器以上7 m處的重建結(jié)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(nèi)橫截面溫度場(chǎng)均呈單峰分布；且該檢測(cè)區(qū)域位于燃燒器之上的充分燃燒區(qū)域，釋放的能量也相對(duì)較多，溫度分布在1 000～1 600 K。需要說(shuō)明的是，該爐內(nèi)橫截面靠后墻的兩角區(qū)域溫度較低，并不是代表該區(qū)域的燃燒器未投入運(yùn)行，而可能是流場(chǎng)不均勻帶來(lái)的溫度偏差。

圖6 鍋爐爐內(nèi)溫度場(chǎng)實(shí)驗(yàn)結(jié)果

進(jìn)一步開(kāi)展機(jī)組調(diào)峰試驗(yàn)，分析了火電機(jī)組升負(fù)荷過(guò)程中燃料量、風(fēng)量對(duì)爐內(nèi)溫度的影響。圖7給出了爐內(nèi)平均溫度與負(fù)荷隨時(shí)間的變化曲線。從圖7可以看出，當(dāng)負(fù)荷從180 MW升高到約230 MW時(shí)，爐內(nèi)平均溫度從1 250 K升高到1 450 K，且爐內(nèi)溫度的升高趨勢(shì)明顯快于負(fù)荷的升高趨勢(shì)。這是因?yàn)榛痣姍C(jī)組存在純延遲、大滯后現(xiàn)象，火電機(jī)組的多級(jí)能量轉(zhuǎn)換主要包括爐內(nèi)燃燒釋放熱量(快速過(guò)程)，熱量以導(dǎo)熱、對(duì)流、輻射方式傳遞給蒸汽(慢速過(guò)程)，蒸汽進(jìn)入汽輪機(jī)帶動(dòng)發(fā)電機(jī)發(fā)電(快速過(guò)程)3個(gè)過(guò)程[4]。整個(gè)過(guò)程呈現(xiàn)兩頭快、中間慢，目前的機(jī)組負(fù)荷控制策略缺乏有效提升熱量傳遞速率的方法，導(dǎo)致調(diào)負(fù)荷過(guò)程中爐內(nèi)燃燒溫度要先于負(fù)荷變化的結(jié)果。該鍋爐爐內(nèi)溫度的變化時(shí)間(從第101 min到第115 min)比負(fù)荷的變化時(shí)間(從第110 min到第124 min)快了約9 min。

圖7 爐內(nèi)平均溫度及負(fù)荷隨時(shí)間的變化

圖8給出了升負(fù)荷過(guò)程中燃料量和風(fēng)量隨時(shí)間的變化曲線。結(jié)合圖7和圖8可知，升負(fù)荷之前的穩(wěn)定負(fù)荷階段(1～100 min)，爐內(nèi)風(fēng)量相對(duì)較為平穩(wěn)，而燃料量的波動(dòng)較大，這使得爐內(nèi)平均溫度也有較大波動(dòng)；升負(fù)荷是先加大燃料量，爐內(nèi)溫度也在同一時(shí)刻(101 min)相應(yīng)升高，燃料量增加的時(shí)間與爐內(nèi)溫度升高的時(shí)間一致，均為101～115 min；隨后，風(fēng)量開(kāi)始增加(111～126 min)，其與負(fù)荷升高的時(shí)間(110～124 min)非常接近，表明風(fēng)量對(duì)機(jī)組負(fù)荷的影響更直接，這與文獻(xiàn)[20]中提出的應(yīng)主要根據(jù)負(fù)荷的變化對(duì)鍋爐總送風(fēng)量進(jìn)行控制的觀念相吻合。此外，升負(fù)荷完成之后，由于燃料量存在超調(diào)，又開(kāi)始減少燃料量，加上風(fēng)量調(diào)整與燃料量調(diào)整的不同步，形成了溫度的震蕩，最終導(dǎo)致調(diào)整之后的負(fù)荷也并不穩(wěn)定，而且升負(fù)荷時(shí)爐內(nèi)溫度過(guò)高，存在較大波動(dòng)，這種爐內(nèi)燃燒過(guò)程的不穩(wěn)定易引起鍋爐超溫等事故。

(a) 燃料量

3 結(jié) 論

本文將深度學(xué)習(xí)與熱輻射成像模型相耦合，基于多層感知器神經(jīng)網(wǎng)絡(luò)建立了爐內(nèi)溫度場(chǎng)重建算法，并開(kāi)展了燃煤鍋爐溫度場(chǎng)重建模擬及實(shí)驗(yàn)研究。結(jié)果表明， MLP神經(jīng)網(wǎng)絡(luò)具有良好的泛化和預(yù)測(cè)能力，爐內(nèi)單峰和雙峰溫度場(chǎng)最大相對(duì)誤差均小于2%，適用于大型爐膛溫度場(chǎng)在線測(cè)量；在升負(fù)荷實(shí)驗(yàn)中，基于MLP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的爐內(nèi)溫度變化明顯超前于負(fù)荷變化，燃料量對(duì)爐內(nèi)溫度影響較大，而風(fēng)量對(duì)機(jī)組負(fù)荷影響較大。上述初步研究證明，耦合深度學(xué)習(xí)與熱輻射成像的爐內(nèi)溫度場(chǎng)在線測(cè)量系統(tǒng)，在提升煤電機(jī)組的靈活調(diào)峰能力方面具有較好的應(yīng)用潛力。