基于深度学习与热辐射成像耦合的炉内温度场在线测量

利用热辐射成像模型计算训练数据,基于多层感知器(MLP)神经网络重建炉膛温度场,以某300 MW锅炉为例进行在线测量实验,并通过机组调峰分析了燃料量和风量对温度的影响。结果表明：MLP神经网络对不同温度场重建结果的最大相对误差小于2%,添加噪声后最大相对误差也小于4%,其具有较好的泛化能力、预测能力和抗噪能力;炉内温度的升高趋势明显快于负荷,且风量对机组负荷的影响更大;所提出的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。