Volume 3,Issue 9
基于深度学习的锅炉燃烧优化控制算法研究
锅炉燃烧过程作为火力发电的核心环节，其优化控制直接关系到能源利用效率与污染物排放水平。传统基于物理模型的控制方法受限于计算实时性不足，难以适应动态工况下的快速响应需求。近年来，工业传感器技术的进步使得燃烧过程关键参数（如辐射能信号、火焰图像）可被实时监测并转化为高维数据流，为数据驱动的优化方法提供了基础。深度学习技术凭借其强大的非线性建模能力与特征自学习特性，为锅炉燃烧优化提供了新的解决方案。通过构建深度神经网络模型，可直接挖掘输入变量（风量、煤粉浓度）与输出指标（热效率、氮氧化物排放）之间的复杂映射关系，实现燃烧过程的动态优化控制。
[1]董胡适,蒋国璋,段现银.量子遗传算法和神经网络的锅炉燃烧优化控制[J].机械设计与制造,2020,(11):14-17.
[2]王然.基于新型测温技术的电站锅炉燃烧优化[J].锅炉技术,2020,51(01):48-52.
[3]任世鹏,安元,娄春,梅晟东,刘凯,陈新建.融合深度学习算法的炉内燃烧温度场分布在线重建[J].化工进展,2025,44(04):1923-1933.
[4]王琦,刘祥,张静,荆蕊蕊.基于PSO-IWOA改进算法的CFB锅炉燃烧系统建模[J].热能动力工程,2024,39(05):134-142.
[5]董益斌,熊敬超,王敬宇,汪守康,王亚飞,黄群星.融合激光雷达料位测算的锅炉燃烧优化模型预测控制[J].化工学报,2024,75(03):924-935.
[6]姚顺春,李龙千,卢志民,李峥辉.机器学习驱动锅炉燃烧优化技术的现状与展望[J].洁净煤技术,2024,30(02):228-243.
[7]孙立刚,高绪栋,安春国,苗井泉,贺帅,王宁玲.考虑可比工况的动态自学习锅炉燃烧控制优化[J].华北电力大学学报(自然科学版),1-8.
[8]Zhenmin LUO;Z Luo Multistep prediction of CO in the extraction zone based on a fully connected long short-term memory network Journal of Tsinghua University(Science and Technology)2024 10.16511/j.cnki.qhdxxb.2024.22.011.
[9]唐振浩,隋梦璇,曹生现.基于组合时域特征提取和Stacking集成学习的燃煤锅炉NOx排放浓度预测[J].中国电机工程学报,2024,44(16):6551-6565.
[10]Qiao,Junfeng;J Qiao Thermodynamic Multi-Objective Optimization:A Deep Learning and Evolutionary Algorithm Approach International Journal of Heat&Technology 2024 10.18280/ijht.420431.