于 磊，劉 禾，楊國田，李新利，胡敘暢

基于火焰圖像的煤粉與爐內(nèi)熱流混合效果評價方法及應(yīng)用

于 磊1，劉 禾1，楊國田1，李新利1，胡敘暢2

（1.華北電力大學(xué)控制與計算機工程學(xué)院，北京 102206；2.杭州應(yīng)用聲學(xué)研究所，浙江 杭州 310023）

燃燒器噴出的煤粉與爐內(nèi)熱流的混合效果對煤粉著火位置、著火速率、燃燒穩(wěn)定性和燃燒效率具有重要影響，目前缺乏對這種混合效果的量化評價方法，為此提出了一種根據(jù)煤粉燃燒火焰圖像來評價混合效果的方法。根據(jù)火焰圖像特征，確定了火焰圖像中用于評價混合效果的測量區(qū)域，在該區(qū)域內(nèi)建立了反映混合效果的灰度參量和灰度位置分布參量，并由這2個參數(shù)構(gòu)建了一個可量化評價混合效果的混合系數(shù)。實際應(yīng)用表明：該方法能夠有效地評價混合效果，為鍋爐精細化燃燒優(yōu)化提供了一種可量化控制的全新燃燒狀態(tài)空間參量。

煤粉；熱流；混合效果；混合系數(shù)；火焰圖像；精細化燃燒；燃燒效率

燃燒器噴出煤粉與爐內(nèi)熱流的混合是燃燒反應(yīng)的重要物理條件?；旌鲜沟脽崃鲗γ悍蹥饬骷訜?，以使其迅速著火?；旌线€會使得氣流強烈擾動，為燃燒階段的碳粒表面提供了燃燒所需氧氣，并且在燃燒后期促使燃料燃盡。因此，混合效果不僅影響著煤粉著火時間、著火速率、燃燒穩(wěn)定性[1]、中心溫度和燃燒效率[2]，還會使污染氣體排放增多[3-4]?？梢姡芯恳环N評價混合效果方法對提高鍋爐安全性、經(jīng)濟性和環(huán)保性具有重要意義。

目前煤粉與熱流氣混合過程主要是數(shù)值模 擬[5-6]，現(xiàn)場缺乏測量混合效果的直接手段?，F(xiàn)一些燃煤機組鍋爐安裝了火焰圖像檢測裝置，該裝置圖像信息除用于燃燒著火檢測[7]外，還被用于燃燒火焰狀態(tài)判別[8-12]、燃燒優(yōu)化[13-16]、燃燒溫度場測 量[17-19]和NO排放量預(yù)測[20]等方面。另外火焰圖像也提供了煤粉與熱流氣混合信息，但如何利用圖像信息進行混合效果評價還需研究。

本文基于煤粉燃燒火焰圖像信息，提出了一種煤粉與熱流氣混合效果的測量與評價方法，即從火焰圖像中建立反映混合效果的灰度參量和灰度位置分布參量，并由這兩參量構(gòu)建一個混合系數(shù)，實現(xiàn)混合效果的數(shù)值評價。

1 混合效果圖像特征

火焰圖像傳感器可檢測燃燒器出口處的燃燒狀況，根據(jù)燃燒狀況可以將火焰圖像分成3個特征區(qū)域：1）未燃燒區(qū)，這對應(yīng)著火準備階段，在該區(qū)域煤粉與周圍熱流混合，由于未燃燒，該區(qū)域?qū)?yīng)的火焰圖像亮度較低；2）初始燃燒區(qū)，在該區(qū)域煤粉與熱流繼續(xù)混合并開始燃燒，火焰圖像亮度較高，這對應(yīng)燃燒階段；3）完全燃燒區(qū)，在該區(qū)域煤粉與熱流充分混合并充分燃燒，火焰圖像亮度高，這對應(yīng)著燃燒和燃盡階段。本文將初始燃燒區(qū)和完全燃燒區(qū)統(tǒng)稱為燃燒區(qū)域。

煤粉質(zhì)量濃度越高則火焰圖像亮度越低，其灰度值越小，反之則灰度值越高。在未燃區(qū)，火焰圖像灰度值低且幅值變化不顯著；在燃燒區(qū)，灰度幅值高且變化顯著[21]。從火焰圖像灰度特征來看，煤粉與熱流混合效果使得灰度變化顯著區(qū)域在燃燒區(qū)，因此選火焰圖像中的該區(qū)域作為混合效果測量及評價區(qū)域（簡稱測量區(qū)域）。

由于未燃燒區(qū)和燃燒區(qū)邊界處的圖像灰度值變化明顯，因此采用煤粉射流方向上的像素點灰度梯度變化閾值來確定燃燒區(qū)邊界[22-25]。圖1為火焰圖像中確定的測量區(qū)域和分割線。在測量區(qū)域中，煤粉與熱流混合效果好時，由于煤粉與熱流接觸面較大，加熱迅速，故初始燃燒區(qū)面積較小，完全燃燒區(qū)面積較大。在圖像灰度特征和灰度位置特征上表現(xiàn)為靠近測量區(qū)域分割線的灰度值小的像素點較少。煤粉與熱流混合效果差時，熱交換慢，燃燒不及時，燃燒速率減慢，在圖像灰度特征和灰度位置特征上表現(xiàn)為灰度值小的像素點較多，且遠離分割線圖像區(qū)域也有較多灰度值小的像素點。因此，可選擇煤粉燃燒火焰圖像的灰度特征和灰度位置分布特征來描述混合效果。

圖1 火焰圖像測量區(qū)域

2 混合效果評價

2.1 灰度參量

式中=1,2,…,。若像素點滿足灰度級集合G的條件，則將該像素點歸入第灰度級集合中。

為了描述測量區(qū)域的灰度特征，構(gòu)建一個包含有測量區(qū)域內(nèi)像素灰度級統(tǒng)計信息的灰度向量。在評價區(qū)域中，維灰度向量第分量是選擇歸屬第灰度級集合的像素點數(shù)m與區(qū)域總像素點數(shù)的比值a=m/，將建立的維灰度向量與級灰度圖像對應(yīng)。當(dāng)混合效果較差時，沒有及時燃燒煤粉，圖像中灰度值小的像素比較多，此時的像素點集中分布在較低灰度級集合；當(dāng)混合效果較好時，充分燃燒煤粉，圖像中灰度值大的像素比較多，此時的像素點集中分布在較高灰度級集合。在理想條件下，當(dāng)混合效果最佳時，區(qū)域內(nèi)的像素點應(yīng)歸屬 第灰度級集合，其對應(yīng)的維最佳特征向量為

best=(0,…,0,…,0,1) (2)

將測量區(qū)域的灰度向量=(1,…,a,…,a)與最佳灰度向量best=(0,…,0,…,0,1)的距離定義灰度距離為

=‖best-‖ (3)

由于best為混合效果最佳的灰度向量，則灰度向量距best越近，混合的效果就越好。

在上述維灰度空間中，每個分量對于混合效果評價的影響是相同的，而實際上，不同的灰度級集合對混合效果的評價影響是有差異的。因為，灰度值較小的灰度級集合像素點越多，說明混合效果越差。而灰度值較大的灰度級集合像素點越多，則說明混合效果就越好。為了能體現(xiàn)這一點，將權(quán)重值添加到評價中[26-27]。

可見，考慮一個與灰度級有關(guān)的權(quán)重，且灰度級越高，其權(quán)重應(yīng)越小，綜合以上因素，將權(quán)重設(shè)置為等比數(shù)列，權(quán)重向量為

以p表示權(quán)重向量中的第個分量，a、best分別表示、best第個分量的值。由此對式(4)的灰度距離公式進行權(quán)重修正，則得到反映混合效果的灰度參量表達式為

灰度參量越小，混合效果越好?；叶葏⒘颗c混合效果呈負相關(guān)關(guān)系。

2.2 灰度位置分布參量

由于火焰圖像的灰度位置分布狀況也可表征混合效果，分塊處理測量區(qū)域，對各塊區(qū)域內(nèi)的灰度分布信息進行提取，混合效果評價中引入圖像像素在位置上的圖像灰度分布。

首先，將測量區(qū)域分成個擁有×個像素點連續(xù)排列的子區(qū)域。由于燃燒的動態(tài)性，測量區(qū)域尺寸是時變的，因此子區(qū)域的個數(shù)也是時變的。

對每個子區(qū)域的灰度級信息進行統(tǒng)計，得到子區(qū)域灰度級特征

由式(7)可知子區(qū)域的灰度信息，以圖像上子區(qū)域中心到測量區(qū)域分割線的距離s作為其位置信息，則可得到灰度位置分布參量

高灰度值的子區(qū)域距分割線越近，則灰度位置分布參量越小，表明混合效果越好。低灰度值的子區(qū)域距分割線越遠，位置分布參量越大，則混合效果越差?；叶任恢梅植紖⒘颗c混合效果呈負相關(guān)關(guān)系。

2.3 混合系數(shù)

在對混合效果進行評價時，綜合考慮灰度的參量值以及灰度位置分布的參量值，歸一化處理灰度參量值和灰度位置分布的參量值，使取值范圍處于0~1以內(nèi)。

灰度參量值歸一化公式為

灰度位置分布參量值歸一化公式為

通過歸一化后的灰度參量和灰度位置分布參量的加權(quán)和來構(gòu)建一個混合系數(shù)，評價混合效果。為了使混合效果評價值在0~1之間，取灰度參量與灰度位置分布參量的權(quán)重之和為1，因兩參量與混合效果均呈負相關(guān)關(guān)系，為了使混合效果評價與混合系數(shù)成正相關(guān)的關(guān)系，定義混合系數(shù)為

式中為權(quán)重系數(shù)。

3 實際應(yīng)用

將上述評價方法應(yīng)用于國內(nèi)某電廠660 MW燃煤機組的數(shù)字化鍋爐燃燒狀態(tài)監(jiān)控系統(tǒng)中，圖2為3個不同燃燒器的火焰視頻截圖。

圖2 火焰視頻圖像

圖3 子區(qū)域尺寸與混合系數(shù)關(guān)系

子區(qū)域尺寸為10×10時，灰度等級分別為4、8、16、32時對應(yīng)的灰度等級與混合系數(shù)的關(guān)系曲線如圖4所示。

圖4 灰度等級與混合系數(shù)關(guān)系

由圖4可見：當(dāng)灰度等級為4時，混合系數(shù)小，無法表征混合較好的狀態(tài)；當(dāng)灰度等級為16、32時，混合系數(shù)接近于1，不利于表征更好的混合狀態(tài)。因此，選擇灰度等級為8。

對圖2中的3個火焰視頻圖像進行灰度處理，其效果如圖5所示。圖5中的黑直線將火焰圖像分為2個區(qū)域，其中圖5a)為黑線右側(cè)區(qū)域，該測量區(qū)域內(nèi)的亮色像素點較多，低亮度像素點少并且分散；圖5b)為黑線右上側(cè)區(qū)域，該測量區(qū)域內(nèi)低亮度像素點較多且較集中；圖5c)為黑線左上側(cè)區(qū)域。根據(jù)電廠鍋爐工程師現(xiàn)場運行經(jīng)驗，圖5a)的混合效果優(yōu)于圖5b)，而圖5c)的測量區(qū)域內(nèi)低亮度像素點多且位置分布廣，混合效果較差。由此可以得出混合效果從好到差的順序依次是圖5a)、圖5b)、圖5c)。

圖5 灰度分級處理后的火焰視頻圖像

計算圖2中3個火焰視頻圖像在子區(qū)域尺寸分為10×10，灰度等級為8，權(quán)重系數(shù)為0.6時的灰度參量值、灰度位置分布參量值和混合系數(shù)值，結(jié)果如圖6所示。

由圖6可以看出：灰度參量的亮度信息表征燃燒的劇烈情況，能夠顯著地反映煤粉與熱煙氣混合狀態(tài)；灰度位置分布參量也能夠反映混合狀態(tài)，但是不如灰度參量區(qū)分的效果好。因此，在計算混合系數(shù)時，選取權(quán)重系數(shù)為0.6，體現(xiàn)灰度參量的權(quán)重高于灰度位置分布參量。可見，通過采用混合系數(shù)能夠區(qū)分3種不同燃燒狀況的火焰視頻中的混合效果，表明混合系數(shù)可以量化評價混合效果。

4 結(jié) 語

根據(jù)火焰圖像，建立描述煤粉與熱流混合效果的狀態(tài)參數(shù)，構(gòu)建了度量混合效果的混合系數(shù)，實現(xiàn)了煤粉與熱流混合效果的數(shù)值評價。實際應(yīng)用結(jié)果表明，通過采用混合系數(shù)能夠區(qū)分3種不同燃燒狀況的火焰視頻中的混合效果，表明混合系數(shù)可以量化評價混合效果。該評價方法為鍋爐精細化燃燒優(yōu)化提供了一種可量化控制的全新燃燒狀態(tài)空間參量。

［1］ 閆順林, 王冬生, 李永華, 等. 鍋爐燃燒穩(wěn)定性影響因素分析[J]. 電站系統(tǒng)工程, 2005, 21(1): 20-30.

YAN Shunlin, WANG Dongsheng, LI Yonghua, et al. Analysis of the influential factors to boiler combustion stability[J]. Power System Engineering, 2005, 21(1): 20-30.

［2］ 肖海平, 張千, 王磊, 等. 燃燒調(diào)整對NO排放及鍋爐效率的影響[J]. 中國電機工程學(xué)報, 2011, 31(8): 1-6.

XIAO Haiping, ZHANG Qian, WANG Lei, et al. Effect of combustion adjustment on NOemission and boiler efficiency[J]. Proceedings of the CSEE, 2011, 31(8): 1-6.

［3］ 劉建全, 孫保民, 胡永生, 等. 某1 000 MW超超臨界雙切圓鍋爐燃燒特性的數(shù)值模擬與優(yōu)化[J]. 中國電機工程學(xué)報, 2012, 32(20): 34-41.

LIU Jianquan, SUN Baomin, HU Yongsheng, et al. Numerical simulation and optimization on combustion of a 1 000 MW ultra supercritical dual tangential circle boiler[J]. Proceedings of the CSEE, 2012, 32(20): 34-41.

［4］林玥廷, 張維奇, 林英明, 等. 考慮燃煤機組健康度與負荷轉(zhuǎn)移的連鎖故障供防控策略[J]. 電力系統(tǒng)保護與控制, 2019, 47(17): 101-108.

LIN Yueting, ZHANG Weiqi, LIN Yingming, et al. Control strategy of cascading failures considering the health degree of coal-fired units and load transfer[J]. Power System Protection and Control, 2019, 47(17): 101-108.

［5］ 劉建全, 孫保民, 張廣才, 等. 1 000 MW超超臨界旋流燃燒鍋爐穩(wěn)燃特性數(shù)值模擬與優(yōu)化[J]. 中國電機工程學(xué)報, 2012, 32(8): 19-27.

LIU Jianquan, SUN Baomin, ZHANG Guangcai, et al. Numerical simulation and optimization on stable combustion of a 1 000 MW ultra supercritical unit swirl combustion boiler[J]. Proceedings of the CSEE, 2012, 32(8): 19-27.

［6］ 張宏博, 秦國彤, 紀任山, 等. 煤粉燃燒過程的數(shù)值模擬[J]. 北京航空航天大學(xué)學(xué)報, 2009, 35(5): 536-539.

ZHANG Hongbo, QIN Guotong, JI Renshan, et al. Numerical simulation of pulverized-coal combustion[J]. Journal of Beijing University of Aeronautics and Astronautics, 2009, 35(5): 536-539

［7］ BAE H, KIM S, WANG B, et al. Flame detection for the steam boiler using neural networks and image information in the Ulsan steam Power generation plant[J]. IEEE Transactions on Industrial Electronics, 2006, 53(1): 338-348.

［8］ GONZáLEZ-CENCERRADO A, PE?A B, GIL A. Coal flame characterization by means of digital image processing in a semi-industrial scale PF swirl burner[J]. Applied Energy, 2012, 94(6): 375-384.

［9］ 吳一全, 宋昱, 周懷春. 基于灰度熵多閾值分割和SVM的火焰圖像狀態(tài)識別[J]. 中國電機工程學(xué)報, 2013, 33(20): 66-73.

WU Yiquan, SONG Yu, ZHOU Huaichun. State identi-fication of boiler combustion flame images based on gray entropy multiple thresholding and support vector machine[J]. Proceedings of the CSEE, 2013, 33(20): 66-73.

［10］ 吳一全, 朱麗, 周懷春. 基于Krawtchouk矩和支持向量機的火焰狀態(tài)識別[J]. 中國電機工程學(xué)報, 2014, 34(5): 734-740.

WU Yiquan, ZHU Li, ZHOU Huaichun. State recognition of flame images based on Krawtchouk moment and support vector machine[J]. Proceedings of the CSEE, 2014, 34(5): 734-740.

［11］ 韓璞, 張欣, 王兵, 等. 基于神經(jīng)網(wǎng)絡(luò)的交互式爐膛火焰圖像識別[J]. 中國電機工程學(xué)報, 2008, 28(20): 22-26.

HAN Pu, ZHANG Xin, WANG Bing, et al. Interactive method of furnace flame image recognition based on neural networks[J]. Proceedings of the CSEE, 2008, 28(20): 22-26.

［12］ 張雪, 丁艷軍, 鄭康捷, 等. 基于多信息融合的旋流燃燒器燃燒狀態(tài)評價[J]. 中國電機工程學(xué)報, 2010, 30(2): 23-28

ZHANG Xue, DING Yanjun, ZHENG Kangjie, et al. Combustion state evaluation of swirl burner based on multi-source information fusion[J]. Proceedings of the CSEE, 2010, 30(2): 23-28.

［13］ KRABICKA J, LU G, YAN Y. Profiling and characteri-zation of flame radicals by combining spectroscopic imaging and neural network techniques[J]. IEEE Transac-tions on Instrumentation & Measurement, 2011, 60(5): 1854-1860.

［14］ 顧燕萍, 趙文杰, 吳占松. 基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J]. 中國電機工程學(xué)報, 2010, 17(17): 91-97.

GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 17(17): 91-97.

［15］蘇杰, 孫金龍, 劉友寬, 等. 基于仿人智能控制的火電廠AVC系優(yōu)化研究[J]. 電力系統(tǒng)保護與控制, 2018, 46(2): 157-162.

SU Jie, SUN Jinlong, LIU Youkuan, et al. Research on AVC system optimization of power plant based on human-simulated intelligent control[J]. Power System Protection and Control, 2018, 46(2): 157-162.

［16］ CHEN J, CHAN L L T, CHENG Y C. Gaussian process regression based optimal design of combustion systems using flame images[J]. Applied Energy, 2013, 111 (Complete): 153-160.

［17］ YAN W, LOU C. Two-dimensional distributions of temperature and soot volume fraction inversed from visible flame images[J]. Experimental Thermal & Fluid Science, 2013, 50(6): 229-233.

［18］ SNOWPER T, ZELTNER D, TREE D R, et al. Two-dimensional flame temperature and emissivity measure-ments of pulverized oxy-coal flames[J]. Applied Energy, 2012, 95(2): 38-44.

［19］ 符泰然, 楊臧健, 程曉舫. 基于彩色CCD測量火焰溫度場的算法誤差分析[J]. 中國電機工程學(xué)報, 2009, 2(2): 81-86.

FU Tairan, YANG Zangjian, CHENG Xiaofang. Calculation errors of flame temperature field measure-ments based on color CCD[J]. Proceedings of the CSEE, 2009, 2(2): 81-86.

［20］ 李新利, 李玲, 盧鋼, 等. 基于火焰自由基成像和支持向量機的燃燒過程NO排放預(yù)測[J]. 中國電機工程學(xué)報, 2015, 35(6): 1413-1419.

LI Xinli, LI Ling, LU Gang, et al. NOemission predict-tion based on flame radical profiling and support vector machine[J]. Proceedings of the CSEE, 2015, 35(6): 1413-1419.

［21］ 劉禾, 周茵, 石曉峰, 等. 基于RBF神經(jīng)網(wǎng)絡(luò)的煤 粉著火判別[J]. 模式識別與人工智能, 2005, 18(3): 366-369.

LIU He, ZHOU Yin, SHI Xiaofeng, et al. Judging fire of pulverized coal based on RBF neural network[J]. Pattern Recognition and Artificial Intelligence, 2005, 18(3): 366-369.

［22］ QIU T, YAN Y, LU G. An Auto adaptive edge-detection algorithm for flame and fire image processing[J]. IEEE Transactions on Instrumentation & Measurement, 2012, 61(5): 1486-1493.

［23］ RAZMI S M, SAAD N, ASIRVADAM V S. Vision-based flame analysis using motion and edge detection[C]. 2010 International Conference on Intelligent and Advanced Systems (ICIAS). IEEE, 2010: 1-4.

［24］ KALPANA Y, PADMAA M. An efficient edge detection algorithm for flame and fire image processing[C]. 2014 International Conference on Communications and Signal Processing (ICCSP). IEEE, 2014: 696-700.

［25］ 趙東聲, 高忠臣, 劉偉. 碳捕集火電與梯級水電聯(lián)合優(yōu)化的低碳節(jié)能發(fā)電調(diào)度[J]. 電力系統(tǒng)保護與控制, 2019, 47(15): 148-155.

ZHAO Dongsheng, GAO Zhongchen, LIU Wei. Low-carbon energy-saving power generation dispatching optimized by carbon capture thermal power and cascade hydropower[J]. Power System Protection and Control, 2019, 47(15): 148-155.

［26］ 劉禾, 胡敘暢, 楊國田, 等. 一種基于燃燒圖像的煤粉與爐內(nèi)熱流混合效果度量方法: 201610269775.8[P]. 2016-08-031[2019-04-03].

LIU He, HU Xuchang, YANG Guotian, et al. A method for measuring the mixing effect of pulverized coal and heat flow in furnace based on combustion image: 201610269775.8[P]. 2016-08-31[2019-04-03].

［27］ 楊凱淇, 許丹, 謝華寶, 等. 計及燃氣-蒸汽聯(lián)合循環(huán)機組的熱電聯(lián)合調(diào)度模型[J]. 電力系統(tǒng)保護與控制, 2019, 47(8): 137-144.

YANG Kaiqi, XU Dan, XIE Huabao, et al. Combined heat and power dispatching model based on gas-steam combined cycle unit[J]. Power System Protection and Control, 2019, 47(8): 137-144.

Evaluation method and application of mixture effect of pulverized coal and heat flux in furnace based on flame image

YU Lei1, LIU He1, YANG Guotian1, LI Xinli1, HU Xuchang2

(1. School of Control and Computer Engineering, North China Electric Power University, Beijing 102206, China;2. Hangzhou Applied Acoustics Research Institute, Hangzhou 310023, China)

The mixture effect of pulverized coal injected from burners and heat flux in furnace greatly affect the ignition position, ignition rate, combustion stability and efficiency of pulverized coals. Currently, there’s lack of quantitative method to evaluate the mixture result. To solve this problem, this paper proposes a method evaluating the mixture effect of pulverized coal and heat flux based on combustion flame image. The measurement region in the combustion image is selected to evaluate the mixture effect according to the combustion flame image feature. In the region, the gray parameters and gray position distribution parameters which reflect the mixture result are built, and finally a mixture coefficient which can quantitatively evaluate the mixture result is constructed with the gray parameters and gray position distribution parameters. The application result shows that, this evaluation method can effectively evaluate the mixture effect, which provides a new combustion state space parameter that can be controlled quantitatively for boiler fine combustion optimization.

pulverized coal, heat flux, mixture effect, mixing coefficient, flame image, refined combustion, combustion efficiency

Fundamental Research Funds for the Central Universities (2016MS48)

TK224.1

A

10.19666/j.rlfd.201903070

于磊, 劉禾, 楊國田, 等. 基于火焰圖像的煤粉與爐內(nèi)熱流混合效果評價方法及應(yīng)用[J]. 熱力發(fā)電, 2019, 48(12): 105-110. YU Lei, LIU He, YANG Guotian, et al. Evaluation method and application of mixture effect of pulverized coal and heat flux in furnace based on flame image[J]. Thermal Power Generation, 2019, 48(12): 105-110.

2019-03-25

中央高?；究蒲袠I(yè)務(wù)費專項資金資助(2016MS48)

于磊(1983)，男，工學(xué)碩士，工程師，主要從事過程檢測與控制技術(shù)實驗教學(xué)與研究，reallyzeus@163.com。

（責(zé)任編輯 馬昕紅）