一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法

本发明涉及颗粒测量领域，具体涉及一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法。

背景技术：

燃煤发电是我国电力的主要来源。然而煤炭燃烧不仅会带来污染物的排放，还会增加二氧化碳的排放，加剧温室效应。

生物质能是一种清洁的可再生能源，可实现二氧化碳零排放。生物质发电具有较强的经济、社会和生态效益，可缓解能源和环境问题。目前，采用生物质代替燃煤发电或煤和生物质耦合掺烧发电发展迅速。其中煤和生物质耦合掺烧发电可分为直接掺烧和间接掺烧两种方式，间接掺烧将生物质气化后送入锅炉燃烧，直接掺烧在燃烧侧实现混燃，将生物质处理成可以和煤粉混烧的状态送入炉膛燃烧。

由于缺乏有效的掺混比例计量手段，政府难以制定生物质掺烧的补贴政策，造成了生物质掺烧发电难以推广。目前已有的一些测量手段，如通过煤和生物质的工业分析数据和痕量元素数据计量掺混量，或根据煤和生物质中碳-14含量的不同计量混燃比。如公开号为cn108387569a的中国专利公开了一种可计量生物质掺混量的燃煤耦合生物质发电方法，包括以下步骤：(1)原煤与生物质入厂后进行采样和煤质分析，获取其主要煤质数据和痕量元素数据；(2)原煤与生物质按照电厂所需比例进行均匀混合后经入炉煤皮带入炉燃烧发电；(3)入炉煤皮带上设置皮带秤与在线煤质检测系统，实时检测入炉煤皮带上原煤与生物质混合物的重量、主要煤质数据和痕量元素数据；(4)通过计算，获取入炉混合物中生物质的含量。本发明可以准确计量燃煤发电过程中生物质的掺混量，且实现过程简便，初投资少。

但这些方法需要对煤和生物质或燃烧产物进行复杂的分析，会受到测量实时性和成本的限制。

技术实现要素：

本发明的目的在于提供一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，可实现煤和生物质掺混比例的实时计量，且测量成本低。

本发明提供如下技术方案：

一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，其特征在于，所述方法包括以下步骤：

(1)利用数字全息颗粒测量系统分别采集煤粉和生物质颗粒的全息图，对全息图进行重建处理获取煤粉和生物质颗粒的幅值图和相位图；同时测定煤粉颗粒的密度ρcoal和生物质颗粒的密度ρbio；

(2)构建深度学习全息燃料颗粒判别架构，以步骤(1)获得的煤粉和生物质颗粒的幅值图和相位图作为训练集对架构进行训练；

(3)利用数字全息在线测量系统获取煤粉和生物质颗粒混合后的全息图，经过重建处理后的幅值图和相位图输入到训练后的全息燃料颗粒判别架构中进行判别分类，将幅值图中的煤粉颗粒记为生物质颗粒记为

(4)对判别分类后的幅值图中的煤粉和生物质颗粒进行形貌和尺寸分析：煤粉颗粒的粒度和体积分别记为和生物质颗粒的粒度和体积分别记为和

(5)根据步骤(1)中煤粉和生物质颗粒的密度、步骤(4)中煤粉和生物质颗粒的体积计算煤粉和生物质颗粒的掺混比例k，计算公式为：

其中，掺混比例k为质量比。

所述步骤(1)中的数字全息颗粒测量系统包括激光光源、光学调整元件和图像采集部分，激光光源发出的激光束经过光学调整元件后照射煤粉颗粒或/和生物质颗粒，图像采集部分记录全息图。

激光光源采用可见光波段的激光器，光学调整元件包括空间滤波器和准直透镜，图像采集部分采用数字相机。激光器发出的激光束经过滤波准直后照射煤粉或生物质颗粒场，相机记录颗粒全息图。再利用小波重建或角谱重建等方法获取颗粒幅值图和相位图，并以幅值图和相位图作为训练集。

所述步骤(1)中的煤粉和生物质颗粒为由磨煤机或粉碎机研磨而成的粉末状固体燃料颗粒，粒度范围为5μm至2mm，其密度的测定采用固体密度计。

所述步骤(2)中的深度学习架构采用卷积神经网络，包括：

输入层，将训练集中的颗粒幅值图和相位图作为输入，输出的尺寸为32×32×2；

卷积块1，包括两个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为32×32×64；

卷积块2，包括一个最大池化层和两个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为16×16×128；

卷积块3，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为8×8×256；

卷积块4，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为4×4×512；

最大池化层，输出的尺寸为2×2×512；

三个全连接层，输出的尺寸依次为1×1×1024、1×1×128和1×1×3，连接层将特征映射到样本标记空间，通过softmax激活函数输出分类信息。

将训练集中的颗粒图像输入至神经网络架构的输入层时先将图片尺寸归一化为32×32的大小。

所述步骤(4)中的颗粒尺寸分析基于颗粒二维形貌，计算特征粒径d。煤粉和生物质颗粒的体积计算方法分别为：

其中f1和f2分别为煤粉颗粒和生物质颗粒的体积计算函数。

具体地，体积计算可采用等效球体体积进行求取：

f(d)＝π/6d³。

本发明的优点在于：避免了现有方法需要对煤和生物质进行复杂费时、成本高的工业分析或元素分析等操作，只需将训练好的卷积神经网络架构用于数字全息颗粒实时测量系统即可实现对煤和生物质掺混比例的实时计量，实施过程简单，且数字全息技术对硬件的要求不高，因此可大大降低测量成本。

附图说明

图1为深度学习全息在线计量煤和生物质耦合发电掺混比例的方法流程图；

图2为典型煤粉颗粒全息图；

图3为典型生物质颗粒全息图；

图4为典型煤粉颗粒和生物质颗粒混合全息图；

图5为实施例中卷积神经网络的结构图。

具体实施方式

下面结合附图对本发明具体实施方式做进一步说明。

实施例

如图1所示，本发明提供了一种深度学习全息在线计量煤和生物质耦合发电掺混比例的方法，具体包括以下步骤：

(1)首先分别采集煤粉颗粒和生物质颗粒的全息图，煤粉颗粒典型全息图如图2所示，生物质颗粒典型全息图如图3所示。

在步骤(1)中，利用数字全息颗粒测量系统进行全息图采集，系统包括激光光源、光学调整元件和图像采集部分。激光光源采用可见光波段的激光器，光学调整元件包括空间滤波器和准直透镜，图像采集部分采用数字相机。激光器发出的激光束经过滤波准直后照射煤粉或生物质颗粒场，相机记录颗粒全息图。

(2)利用密度计测定煤粉和生物质的密度ρcoal和ρbio。

(3)利用小波重建算法重建全息图，提取颗粒幅值图和相位图，作为训练集。

(4)构建深度学习全息燃料颗粒判别架构，如图5所示。

深度学习全息燃料颗粒判别架构包括输入层、卷积层、池化层、全连接层和输出层。将训练集中的颗粒图像输入至深度学习全息燃料颗粒判别架构的输入层时先将图片尺寸归一化为32×32的大小。

具体的，包括：

输入层，将训练集中的颗粒幅值图和相位图作为输入，输出的尺寸为32×32×2；

卷积块1，包括两个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为32×32×64；

卷积块2，包括一个最大池化层和两个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为16×16×128；

卷积块3，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为8×8×256；

卷积块4，包括一个最大池化层和三个卷积核尺寸为3×3的卷积层，使用relu激活函数，输出的尺寸为4×4×512；

最大池化层，输出的尺寸为2×2×512；

三个全连接层，输出的尺寸依次为1×1×1024、1×1×128和1×1×3，连接层将特征映射到样本标记空间，通过softmax激活函数输出分类信息。

(5)利用提取的幅值图和相位图作为输入，对深度学习全息燃料颗粒判别架构进行训练。

(6)在线采集煤粉和生物质颗粒掺混的全息图，混合颗粒典型全息图如图4所示。

(7)将全息图输入到训练后的全息燃料颗粒判别架构中进行判别分类，将全息图中的煤粉颗粒记为生物质颗粒记为

(8)进行颗粒粒径分析和体积计算。

根据输出结果，对煤粉和生物质颗粒进行尺寸分析，获取特征粒径d。煤粉和生物质颗粒的体积计算方法分别为：

其中f1和f2分别为煤粉颗粒和生物质颗粒的体积计算函数。具体地，体积计算可采用等效球体体积进行求取：

f(d)＝π/6d³。

特征粒径d的计算方法为：

其中，n为幅值图中颗粒图像的像素数量，像素大小为δpix。

(9)计算掺混比例。

根据下式计算煤粉和生物质颗粒的掺混比例：

计算得到的掺混比例为质量比例。

其它任何在本发明专利核心指导思想下所作的改变、替换、组合简化等都包含在本发明专利的保护范围之内。