电站锅炉燃烧状态识别与诊断研究
|
摘要
燃烧优化是目前火电厂实现节能减排的有效途径之一,及时、准确地掌握锅炉燃烧状态是实现燃烧优化控制的重要前提。现有的炉膛火焰检测装置主要用于判断火焰的有或无,无法对燃烧状态作出有效评判。本文根据燃烧状态与某些测量信号的相关性,从大量数据中筛选出燃烧状态相关信号；通过分析典型工况下这些信号的统计规律,从中提取出能反映燃烧状态变化的特征量；在此基础上分别采用模式分类、信息融合等方法对燃烧状态进行识别与诊断。论文利用厂级监控信息系统(SIS)中保存的丰富数据,围绕燃烧状态相关信号的选取、燃烧状态特征提取、燃烧状态识别以及燃烧稳定性诊断这四个方面,展开了以下研究：
1、研究了燃烧状态相关信号的选取问题。提出了一种基于滑动窗方差的信号相关性分析方法,可以有效分析热工信号在燃烧特征频段上的波动相似性。在此基础上,利用小波变换提出一种热工信号多尺度相关性分析方法,能够从不同频率尺度分析信号的相关性,并将该方法用于燃烧状态相关信号的选取。通过对现场众多测点进行筛选,将火检信号、炉膛压力、主汽压力、汽包水位以及空预前氧量信号作为燃烧状态相关信号。
2、研究了锅炉燃烧状态特征提取问题。分八种典型工况比较了不同燃烧状态下燃烧状态相关信号的时域特性,并运用时域分析和复杂性测度提取这些信号的特征,通过对多组样本的统计分析,最终将均值、标准差、峰峰值以及复杂度作为燃烧状态相关信号的特征量。
3、利用所提取的燃烧特征量,研究了燃烧状态识别问题。通过构建自组织神经网络对不同工况下提取的燃烧特征进行聚类,可以定性分析燃烧特征量与燃烧状态之间的非线性映射关系。进而利用支持向量机建立了典型工况下燃烧状态的识别模型。采用网格搜索与交叉验证相结合的方法选取模型参数,通过实际数据计算,比较了三种类型支持向量机的分类性能,并验证了该方法的有效性。
4、利用信息融合思想,将证据理论应用于燃烧稳定性诊断。针对基本可信度分配不易获取的问题,提出一种基于自组织神经网络的基本可信度分配构造方法。在此基础上,应用证据理论对燃烧状态相关信号进行融合,并根据融合后的信息对燃烧状态进行诊断。通过现场数据分析,表明该方法具有较好的诊断效果,并在准确性和可靠性方面优于火检或炉膛负压等单一信号的诊断结果。
Combustion optimization is one of the effective ways to realize energy saving and emission reduction in thermal power plants. Judging combustion state quickly and accurately is an important prerequisite for combustion optimizing control. Existing flame monitoring devices are nearly used to judge whether there is flame, and therefore combusiton state cannot be evaluated. Based on correlations of combustion states and measured signals, this dissertation finds out related signals of combustion states from large amounts of measured data, picks up features which can reflect variation of combustion states via analysis of statistical rules, and then identify and diagnose combustion stability by data classification and information fusion techniques respectively. The four questions of signals selection, features extraction of combustion states, recognition and diagnosis on combustion stability are studied through analysis of data stored in Supervisory Information System in Plant Level (SIS), and the main work of this dissertation can be presented as following:
1. Selection of signals correlated with combustion states. Firstly, a new correlation analysis method was proposed based on calculating the variance of data in sliding window, which could effectively evaluate signal fluctuation similarity of combustion characteristic frequency range. Then, a multi-scale correlation analysis of thermal signal based on wavelet transform was proposed to study their correlation in different frequency ranges. Finally, the proposed method was applied in a 600 MW thermal unit, and flame monitoring signals, furnace pressure, main steam pressure, drum water level and oxygen content before air pre-heater were chosen as related signals.
2. Feature extraction of combustion states. Characteristics in time-domain of selected signals under eight typical conditions were compared. Signal features were extracted via statistics and complexity measures, and mean values, standard deviations, peak-to-peak values and complexity were selected as features of related signals.
3. Combustion states pattern recognition was studied by extracted features. Firstly, self-organizing neural network was adopted to cluster combustion features of different working conditions, and the result indicates that the neural network could analyze the nonlinear mapping relation between combustion state and their features. Then, the square support vector machines were used to recognize combustion states. The SVMs model parameters were chosed by grid-searching combined with cross-validating. Finally, the classication accuracy of three types of SVMs was compared and the effectiveness of the method was verified through on-site data calculation.
4. According to information fusion theory, combustion stability diagnosis was studied based on evidence theory. With regard to the question of how to obtain basic probability assignment (BPA), a new method based on self-organizing neural network was used to obtain BPA values. Then, related signals were fused via evidence theory, and fused information was adopted to diagnose combustion states. The data analysis results showed that the proposed method was effective for combustion stability diagnosis, and its accuracy and reliability were better than that of judging by a single sensor such as flame monitoring signals or furnace pressure.
1、研究了燃烧状态相关信号的选取问题。提出了一种基于滑动窗方差的信号相关性分析方法,可以有效分析热工信号在燃烧特征频段上的波动相似性。在此基础上,利用小波变换提出一种热工信号多尺度相关性分析方法,能够从不同频率尺度分析信号的相关性,并将该方法用于燃烧状态相关信号的选取。通过对现场众多测点进行筛选,将火检信号、炉膛压力、主汽压力、汽包水位以及空预前氧量信号作为燃烧状态相关信号。
2、研究了锅炉燃烧状态特征提取问题。分八种典型工况比较了不同燃烧状态下燃烧状态相关信号的时域特性,并运用时域分析和复杂性测度提取这些信号的特征,通过对多组样本的统计分析,最终将均值、标准差、峰峰值以及复杂度作为燃烧状态相关信号的特征量。
3、利用所提取的燃烧特征量,研究了燃烧状态识别问题。通过构建自组织神经网络对不同工况下提取的燃烧特征进行聚类,可以定性分析燃烧特征量与燃烧状态之间的非线性映射关系。进而利用支持向量机建立了典型工况下燃烧状态的识别模型。采用网格搜索与交叉验证相结合的方法选取模型参数,通过实际数据计算,比较了三种类型支持向量机的分类性能,并验证了该方法的有效性。
4、利用信息融合思想,将证据理论应用于燃烧稳定性诊断。针对基本可信度分配不易获取的问题,提出一种基于自组织神经网络的基本可信度分配构造方法。在此基础上,应用证据理论对燃烧状态相关信号进行融合,并根据融合后的信息对燃烧状态进行诊断。通过现场数据分析,表明该方法具有较好的诊断效果,并在准确性和可靠性方面优于火检或炉膛负压等单一信号的诊断结果。
Combustion optimization is one of the effective ways to realize energy saving and emission reduction in thermal power plants. Judging combustion state quickly and accurately is an important prerequisite for combustion optimizing control. Existing flame monitoring devices are nearly used to judge whether there is flame, and therefore combusiton state cannot be evaluated. Based on correlations of combustion states and measured signals, this dissertation finds out related signals of combustion states from large amounts of measured data, picks up features which can reflect variation of combustion states via analysis of statistical rules, and then identify and diagnose combustion stability by data classification and information fusion techniques respectively. The four questions of signals selection, features extraction of combustion states, recognition and diagnosis on combustion stability are studied through analysis of data stored in Supervisory Information System in Plant Level (SIS), and the main work of this dissertation can be presented as following:
1. Selection of signals correlated with combustion states. Firstly, a new correlation analysis method was proposed based on calculating the variance of data in sliding window, which could effectively evaluate signal fluctuation similarity of combustion characteristic frequency range. Then, a multi-scale correlation analysis of thermal signal based on wavelet transform was proposed to study their correlation in different frequency ranges. Finally, the proposed method was applied in a 600 MW thermal unit, and flame monitoring signals, furnace pressure, main steam pressure, drum water level and oxygen content before air pre-heater were chosen as related signals.
2. Feature extraction of combustion states. Characteristics in time-domain of selected signals under eight typical conditions were compared. Signal features were extracted via statistics and complexity measures, and mean values, standard deviations, peak-to-peak values and complexity were selected as features of related signals.
3. Combustion states pattern recognition was studied by extracted features. Firstly, self-organizing neural network was adopted to cluster combustion features of different working conditions, and the result indicates that the neural network could analyze the nonlinear mapping relation between combustion state and their features. Then, the square support vector machines were used to recognize combustion states. The SVMs model parameters were chosed by grid-searching combined with cross-validating. Finally, the classication accuracy of three types of SVMs was compared and the effectiveness of the method was verified through on-site data calculation.
4. According to information fusion theory, combustion stability diagnosis was studied based on evidence theory. With regard to the question of how to obtain basic probability assignment (BPA), a new method based on self-organizing neural network was used to obtain BPA values. Then, related signals were fused via evidence theory, and fused information was adopted to diagnose combustion states. The data analysis results showed that the proposed method was effective for combustion stability diagnosis, and its accuracy and reliability were better than that of judging by a single sensor such as flame monitoring signals or furnace pressure.
引文
[1]江泽民.对中国能源问题的思考.上海交通大学学报,2008,42(3)：345～359
[2]Ni W D. China's energy—challenges and strategies. Frontiers of Energy and Power Engineering in China,2007,1(1):1-8
[3]程钧培.节能减排与火电新技术.动力工程,2009,29(1)：1-4
[4]胡秀莲.中国电力生产及环境问题.中国能源,2005,27(11)：11～17
[5]赵征.基于信息融合的锅炉燃烧状态参数检测技术研究：[博士学位论文].保定：华北电力大学,2007
[6]Kouprianov V I. Applications of a cost-based method of excess air optimization for the improvement of thermal efficiency and environmental performance of steam boilers. Renewable and Sustainable Energy Reviews,2005,9(5):474-498
[7]Booth R C, Roland W B. Neural network-based combustion optimization reduces NOx emissions while improving performance. Dynamic Modeling Control Applications for Industry Workshop,1998,30(1):1-6
[8]Li K, Thompson S, Peng J X. Modelling and prediction of NOx emission in a coal-fired power generation plant. Control Engineering Practice,2004,12(6):707-723
[9]孔亮,张毅,丁艳军,等.电站锅炉燃烧优化控制技术综述.电力设备,2006,7(2)：19～22
[10]洪军,司风琪,毕小龙,等.火电机组运行优化系统的现状与展望.电力系统自动化,2007,31(18)：96～103
[11]应剑,徐旭,王新龙.基于闭环控制系统的电站锅炉燃烧优化.华东电力,2007,35(1)：69～72
[12]梁绍华,李秋白,黄磊,等.锅炉在线燃烧优化技术的开发及应用.动力工程,2008,28(1)：33～35
[13]徐军伟,宋兆龙,王磊.电站锅炉燃烧优化技术现状和发展动向.江苏电机工程,2005,24(3)：6-7
[14]周海珠,安恩科.电站锅炉燃烧优化技术的发展趋势.锅炉技术,2008,39(1)：38-41.46
[15]王春昌.煤质下降对炉内燃烧稳定性的影响及解决措施.热力发电,2007,(4)：44～46
[16]闫顺林,王冬生,李永华,等.锅炉燃烧稳定性影响因素分析.电站系统工程,2005,21(1)：29～30
[17]李凤瑞,郭为.大型燃煤锅炉的低负荷稳燃综述.吉林电力,2001,(2)：30～32
[18]邹晓昕,田亮,刘吉臻,等.一次调频工况下汽温系统抗燃烧扰动能力分析.电力科学与工程,2008,24(1)：44～47
[19]沈士军.低负荷断油、跳磨扰动试验分析.华东电力,2000,(3)：38～39
[20]吕震中,沈炯.电站锅炉火焰检测及燃烧诊断技术.锅炉技术,1997,(5)：8-14
[21]王春昌.燃煤锅炉常见灭火事故分类研究.中国电力,2007,40(5)：39～42
[22]韩振娟,马香梅,赵飞,等.燃烧异常锅炉灭火事件的原因分析.电站系统工程,2009,25(3)：65
[23]王军,章正林,姜书敏.SmartProcess燃烧优化系统及其应用.电力建设,2006,7(2)： 28～30
[24]牛拥军.优化燃烧技术在邹县电厂中的应用.发电设备,2004,(增刊)：102～105
[25]Buche D, Stoll P, Dornberger R, et al. Multi-objective evolutionary algorithm for the optimization of noisy combustion processes. IEEE Transactions on Systems, Man and Cybernetics-Part C:Applications and Reviews,2002,32(4):460-473
[26]Havlena V, Findejs J. Application of model predictive control to advanced combustion control. Control Engineering Practice,2005,13:671-680
[27]Kusiak A, Song Z. Combustion efficiency optimization and virtual testing:a data-mining approach. IEEE Transactions on Industrial Informatics,2006,2(3): 176-184
[28]师建斌,严道一.锅炉燃烧优化指导系统在火电厂的应用.中国电力,1997,30(7)：31～35
[29]沈炯,顾峻,吕震中,等.新型均衡燃烧控制系统的设计及应用研究.中国电机工程学报,2000,20(20)：80～83
[30]刘福国,郝卫东,杨建柱,等.电厂锅炉变氧量运行经济性分析及经济氧量的优化确定.中国电机工程学报,2003,23(2)：172～176
[31]罗自学,刘成永,陶茂钢,等.直流锅炉风／煤比燃烧优化控制的研究.动力工程,2008,28(5)：731～734
[32]周怀春.炉内火焰可视化检测原理与技术.北京：科学出版社,2005
[33]马涛,徐向东,王鑫鑫.基于辐射能检测的智能燃烧进化优化系统研究.热能动力工程,2004,19(3)：281～284
[34]张毅,陈彪,丁艳军,等.燃煤锅炉高效低NOx运行策略的实验研究.清华大学学报(自然科学版),2006,46(5)：666～669
[35]张毅,丁艳军,张鸿泉,等.环保与经济相协调的锅炉运行优化控制.动力工程,2005,25(5)：676～679
[36]张毅,丁艳军,张鸿泉,等.电站锅炉运行性能综合预测模型.动力工程,2006,26(1)： 84～88
[37]周昊,朱洪波,岑可法.基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统.动力工程,2003,23(5)：2665～2669
[38]Zhou H, Cen K F, Mao J B. Combining neural network and genetic algorithms to optimize low NOx pulverized coal combustion. Fuel,2001,80(15):2163-2169
[39]Zheng L G, Zhou H, Cen K F, et al. A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler. Expert Systems with Applications,2008,36(2):2780-2793
[40]王培红,李磊磊,陈强,等.人工智能技术在电站锅炉燃烧优化中的应用研究.中国电机工程学报,2004,24(4)：184～188
[41]许昌,吕剑虹,郑源,等.以效率和低NOx排放为目标的锅炉燃烧整体优化.中国电机工程学报,2006,26(4)：46～50
[42]刘吉臻,刘鑫屏,田亮.基于信息融合技术的燃烧控制优化系统.华东电力,2009,37(12)： 2088～2092
[43]华彦平,邹煜,吕震中.现代燃煤电站锅炉火焰检测综述.热能动力工程,2001,16(1)： 1-5
[44]宋文忠,胡克定.炉膛相关火焰检测系统.动力工程,1995,15(2)：51～56
[45]Kurihara N, Nishikawa M, Watanabe A, et al. A combustion diagnosis method for pulverized coal boilers using flame-image recognition technology. IEEE Transactions on Energy Conversion,1986, EC-1(2):99-103
[46]吴占松.发光火焰的图像处理及其在燃烧检测中的应用：[博士学位论文].北京：清华大学,1988
[47]周怀春,娄新生,邓元凯.基于辐射图象处理的炉膛燃烧三维温度分布检测原理及分析.中国电机工程学报,1997,17(1)：1-4
[48]周怀春,娄新生,肖教芳,等.炉膛火焰温度场图象处理试验研究.中国电机工程学报,1995,15(5)：295-230
[49]赵敬德.煤粉火焰三维温度分布重建及其在燃烧诊断技术中应用的研究：[博士学位论文].杭州：浙江大学,2004
[50]卫成业.燃煤锅炉炉膛火焰温度场和浓度场测量及燃烧诊断的研究：[博士学位论文].杭州：浙江大学,2001
[51]赵铁成,张银桥,徐伟勇.火焰图像检测器着火判据的设计与实验研究.动力工程,2001,21(1)：1054～1058
[52]邹煜,吕震中,王式民.锅炉全炉膛火焰数字图象处理与监测系统开发与研究.热能动力工程,1998,13(4)：261～263
[53]任鑫.基于数字图象处理技术的炉膛火焰检测系统的研究：[硕士学位论文].北京：华北电力大学,2004
[54]郭建民.基于数字图像处理技术的锅炉火焰检测与污染物排放特性研究：[博士学位论文].北京：中国科学院研究生院(工程热物理研究所),2007
[55]周怀春,韩才元.应用火焰探测诊断煤燃烧的试验研究.动力工程,1993,13(4)：32～36
[56]马骏,余岳峰,范浩杰.基于频谱分析和自组织神经网络的火焰燃烧诊断研究.动力工程,2004,24(06)：852～856
[57]熬丽敏,黎建华,宋轩,等.一种基于自适应小波变换的火焰检测方法的研究.热能动力工程,2006,21(6)：594～597
[58]白卫东,严建华,池涌,等.PCA和SVM在火焰监测中的应用研究.中国电机工程学报,2004,24(2)：185～190
[59]高翔,骆仲泱,陈亚非,等.应用微压探测诊断燃烧状况的试验研究.动力工程,1998,18(4)：27～31,14
[60]肖隽,王一清,吕震中.基于炉膛微压信号的锅炉燃烧诊断试验研究.锅炉技术,2002,33(7)：12～15
[61]程智海,蔡小舒,毛万朋.火焰特征发射谱线研究.工程热物理学报,2004,25(3)： 519～522
[62]蔡小舒,季琨,苏明旭,等.基于光谱分析的煤粉火焰复合判据和燃烧诊断研究.中国电机工程学报,2004,24(1)：211～215
[63]程浩斌,周怀春,娄新生.新型燃煤锅炉燃烧过程稳定性评价指数CSI.工程热物理学报,1997,18(4)：512～516
[64]李永华,闫顺林,张恩先.电站锅炉燃烧安全性综合评判与诊断系统的研究.中国电力,2002,35(5)：20～22
[65]杨光军.电站锅炉燃烧状态监测与优化策略研究：[博士学位论文].北京：华北电力大学,2008
[66]韩崇昭,朱洪艳,段战胜.多源信息融合.北京：清华大学出版社,2006
[67]韩晓娟.多源信息融合技术在火电厂热力系统故障诊断中的应用研究：[博士学位论文].北京：华北电力大学,2008
[68]张冀.基于多源信息融合的传感器故障诊断方法研究：[博士学位论文].保定：华北电力大学,2008
[69]张学敏.FIR低通和带通滤波器的关系分析与仿真.现代电子技术,2008,(19)：57～60
[70]丁艳军,王培红,吕震中,等.生产过程早期故障检测与诊断的一种新方法.中国电机工程学报,2000,20(3)：61～65,70
[71]Maki Y, Loparo K A. A neural-network approach to fault detection and diagnosis in industrial processes. IEEE Transaction on Control System Technology,1997,5(6): 529-541
[72]毕小龙,王洪跃,司风琪,等.基于趋势提取的稳态检测方法.动力工程,2006,26(4)： 503～506
[73]姜昌金.相关检测原理与相关算法.数据采集与处理,1995,10(2)：104～109
[74]张旻,张燕平,程家兴.时间序列相似模式的分层匹配.计算机辅助设计与图形学学报,2005,17(7)：1480～1485
[75]林湘宁,刘沛,杨春明,等.基于相关分析的故障序分量选相元件.中国电机工程学报,2002,22(5)：16-21
[76]唐捷.基于小波包多频带相关分析及信息融合的故障选线方法研究：[硕士学位论文].重庆：重庆大学,2007
[77]张贤达.现代信号处理.第2版.北京：清华大学出版社,2002
[78]鲍文,于达仁,王伟,等.基于关联规则的火电厂传感器故障检测.中国电机工程学报,2003,23(12)：170～174
[79]彭玉华.小波变换与工程应用.北京：科学出版社,1999
[80]董新洲,耿中行,葛耀中,等.小波变换应用于电力系统故障信号分析初探.中国电机工程学报,1997,17(6)：421～424
[81]管霖,吴国沛,黄雯莹,等.小波变换在电力设备故障诊断中的应用研究.中国电机工程学报,2000,20(10)：46～49,54
[82]叶昊,王桂增,方崇智.小波变换在故障检测中的应用.自动化学报,1997,23(6)：736～741
[83]徐涛,王祁.基于小波包的多尺度主元分析在传感器故障诊断中的应用.中国电机工程学报,2007,27(9)：28～32
[84]侯国莲,张怡,张建华.基于形态学-小波的传感器故障诊断.中国电机工程学报,2009,29(14)：93～98
[85]任震,何建军,黄雯莹,等.基于小波包算法的电机故障信号的压缩和重构.中国电机工程学报,2001,21(1)：25～29
[86]王振朝,岳莹昭,师洁,等.基于多分辨率分析的小波系数压扩去噪算法.中国电机工程学报,2008,28(10)：76～81
[87]鲍文,周瑞,刘金福.基于二维提升小波的火电厂周期性数据压缩算法.中国电机工程学报,2007,27(29)：96～101
[88]何连洋,韩力群.电厂锅炉燃烧工况特征研究.北京工商大学学报(自然科学版),2008,26(4)：55～59
[89]马涛,徐向东.基于多尺度挖掘的区域供热系统负荷预测.暖通空调,2005,35(11)：16～19
[90]王一清.基于谱分析和小波交换的燃烧稳定性监测与诊断方法的研究：[硕士学位论文].南京：东南大学,2001
[91]杨福生.小波变换的工程分析与应用.北京：科学出版社,1999
[92]Mallat S. A theory for multiresolution signal decomposition:The wavelet representation. IEEE Transaction on Pattern Analysis and Machine Intelligence,1989, 11(7):674-693
[93]何正友,蔡玉梅,钱清泉.小波熵理论及其在电力系统故障检测中的应用研究..中国电机工程学报,2005,25(5)：38-43
[94]樊计昌,刘明军,王夫运,等.浅析小波最大分解层.科技导报,2008,26(10)：40～42
[95]李伟全.浅析锅炉灭火与炉膛压力变化的关系及应用.山东电力高等专科学校学报,2004,7(1)：61～64
[96]王春昌.煤粉气流爆燃与炉膛负压变化的数学模型研究.中国电力,2006,39(12)：44～47
[97]王春昌,宋志强,马光荣.煤粉气流脱火与炉膛负压波动的数学模型研究.热力发电,2008,37(3)：22～25
[98]于希宁,刘洁,田亮.一种基于炉膛压力分析的燃烧特征信号提取方法.电力科学与工程,2009,25(2)：27～30
[99]Xu J H, Wu X B. Using complexity measure to characterize information transmission of human brain cortex. Science in China(Series B),1994,37(12):1455-1462
[100]谢惠民.动力系统的复杂性刻划.力学进展,1996,26(3)：289～305
[101]姜建东,屈梁生.大机组振动信号复杂性的定量描述.西安交通大学学报,1998,32(6)：31～35
[102]华彦平,吕震中,邹煜.基于图像灰度复杂性测度的炉膛燃烧状况评价.动力工程,2002,22(1)：1611～1614
[103]杨文献,姜节胜,秦卫阳.机械信号复杂性快速刻划方法研究.西北工业大学学报,2001,19(2)：216～219
[104]Kolmogorov A N. Three approaches to the quantitative definition of information. International Journal of Computer Mathematics,1968,2(1):157-168
[105]Lempel A, Ziv J. On the complexity of finite sequences. IEEE Transactions on Information Theory,1976,22(1):75-81
[106]Kohonen T. Self-Organizing Maps.3rd ed. New York:Springer,2001
[107]韩力群.人工神经网络理论、设计及应用.北京：化学工业出版社,2002
[108]闻新,周露,王丹力,等.MATLAB神经网络应用设计.北京：科学出版社,2002
[109]张学工.关于统计学习理论与支持向量机.自动化学报,2000,26(1)：32～42
[110]Vapnik V N. The nature of statistical learning theory. New York:Springer-Verlag, 1995
[111]Vapnik V N, Golowich S E, Smola A J. Support vector method for function approximation, regression estimation and signal processing. In:Mozer M,Jordan M,Petsche T, et al, eds. Advances in Neural Information Processing Systems 9. Cambridge, MA:MIT,1997.281-287
[112]Vapnik V N. Statistical learning theory. New York:Springer-Verlag,1998
[113]邓乃扬,田英杰.支持向量机——理论、算法与拓展.北京：科学出版社,2009
[114]白卫东,严建华,马增益,等.基于支持向量机的火焰状态识别方法.动力工程,2004,24(4)：548～551
[115]王华忠,张雪申,俞金寿.基于支持向量机的故障诊断方法.华东理工大学学报,2004,30(2)：179～182
[116]刘涵,李琦,刘丁,等.基于最小二乘支持向量机的电站锅炉空预器热点检测系统研究.中国电机工程学报,2005,25(3)：147～152
[117]Chan K, Lee T W, Sample P A, et al. Comparison of machine learning and traditional classifiers in glaucoma diagnosis. IEEE Transactions on Biomedical Engineering,2002, 49(9):963-974
[118]王华忠,俞金寿.统计学习理论与支持向量机在过程控制中的应用.化工自动化及仪表,2004,31(5)：1-6
[119]Chang C C, Lin C J. LIBSVM:a library for support vector machines,2001. URL: http://www.csie.ntu.edu.tw/-cjlin/libsvm
[120]何友,王国宏,彭应宁.多传感器信息融合及应用.北京：电子工业出版社,2001
[121]Dempster A P. Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics,1967,38(2):325-339
[122]Shafer G. A mathematical theory of evidence. Princeton:Princeton University Press, 1976
[123]蓝金辉,马宝华,蓝天,等.D-S证据理论数据融合方法在目标识别中的应用.清华大学学报(自然科学版),2001,41(2)：53～55,59
[124]朱大奇,于盛林.基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用.电子学报,2002,30(2)：221～223
[125]董玉亮,顾煜炯,马履翱.基于证据推理的汽轮机组状态评价方法.中国电机工程学报,2007,27(29)：74～79
[126]张冀,王兵树,马永光,等.基于扩展证据理论的信息融合方法在传感器故障诊断中的应用.动力工程,2006,26(5)：689～693
[127]熊卫.Dempster-Shafer证据理论及其解释.华南师范大学学报(社会科学版),2000,(3)：15～21
[128]罗志增,蒋静坪.基于D-S理论的多信息融合方法及应用.电子学报,1999,27(9)：100～102
[129]韩静,陶云刚.基于D-S证据理论和模糊数学的多传感器数据融合算法.仪器仪表学报,2000,21(6)：644～647
[130]魏民祥,董龙雷,王晓云,等.基于不确定性推理原理的机组振动信息融合技术.中国电机工程学报,2000,20(9)：64～66
[131]尚勇,闫春江,严璋,等.基于信息融合的大型油浸电力变压器故障诊断.中国电机工程学报,2002,22(7)：115～118
[132]田亮,常太华,曾德良,等.基于典型样本数据融合方法的锅炉制粉系统故障诊断.热能动力工程,2005,20(2)：163～166
[2]Ni W D. China's energy—challenges and strategies. Frontiers of Energy and Power Engineering in China,2007,1(1):1-8
[3]程钧培.节能减排与火电新技术.动力工程,2009,29(1)：1-4
[4]胡秀莲.中国电力生产及环境问题.中国能源,2005,27(11)：11～17
[5]赵征.基于信息融合的锅炉燃烧状态参数检测技术研究：[博士学位论文].保定：华北电力大学,2007
[6]Kouprianov V I. Applications of a cost-based method of excess air optimization for the improvement of thermal efficiency and environmental performance of steam boilers. Renewable and Sustainable Energy Reviews,2005,9(5):474-498
[7]Booth R C, Roland W B. Neural network-based combustion optimization reduces NOx emissions while improving performance. Dynamic Modeling Control Applications for Industry Workshop,1998,30(1):1-6
[8]Li K, Thompson S, Peng J X. Modelling and prediction of NOx emission in a coal-fired power generation plant. Control Engineering Practice,2004,12(6):707-723
[9]孔亮,张毅,丁艳军,等.电站锅炉燃烧优化控制技术综述.电力设备,2006,7(2)：19～22
[10]洪军,司风琪,毕小龙,等.火电机组运行优化系统的现状与展望.电力系统自动化,2007,31(18)：96～103
[11]应剑,徐旭,王新龙.基于闭环控制系统的电站锅炉燃烧优化.华东电力,2007,35(1)：69～72
[12]梁绍华,李秋白,黄磊,等.锅炉在线燃烧优化技术的开发及应用.动力工程,2008,28(1)：33～35
[13]徐军伟,宋兆龙,王磊.电站锅炉燃烧优化技术现状和发展动向.江苏电机工程,2005,24(3)：6-7
[14]周海珠,安恩科.电站锅炉燃烧优化技术的发展趋势.锅炉技术,2008,39(1)：38-41.46
[15]王春昌.煤质下降对炉内燃烧稳定性的影响及解决措施.热力发电,2007,(4)：44～46
[16]闫顺林,王冬生,李永华,等.锅炉燃烧稳定性影响因素分析.电站系统工程,2005,21(1)：29～30
[17]李凤瑞,郭为.大型燃煤锅炉的低负荷稳燃综述.吉林电力,2001,(2)：30～32
[18]邹晓昕,田亮,刘吉臻,等.一次调频工况下汽温系统抗燃烧扰动能力分析.电力科学与工程,2008,24(1)：44～47
[19]沈士军.低负荷断油、跳磨扰动试验分析.华东电力,2000,(3)：38～39
[20]吕震中,沈炯.电站锅炉火焰检测及燃烧诊断技术.锅炉技术,1997,(5)：8-14
[21]王春昌.燃煤锅炉常见灭火事故分类研究.中国电力,2007,40(5)：39～42
[22]韩振娟,马香梅,赵飞,等.燃烧异常锅炉灭火事件的原因分析.电站系统工程,2009,25(3)：65
[23]王军,章正林,姜书敏.SmartProcess燃烧优化系统及其应用.电力建设,2006,7(2)： 28～30
[24]牛拥军.优化燃烧技术在邹县电厂中的应用.发电设备,2004,(增刊)：102～105
[25]Buche D, Stoll P, Dornberger R, et al. Multi-objective evolutionary algorithm for the optimization of noisy combustion processes. IEEE Transactions on Systems, Man and Cybernetics-Part C:Applications and Reviews,2002,32(4):460-473
[26]Havlena V, Findejs J. Application of model predictive control to advanced combustion control. Control Engineering Practice,2005,13:671-680
[27]Kusiak A, Song Z. Combustion efficiency optimization and virtual testing:a data-mining approach. IEEE Transactions on Industrial Informatics,2006,2(3): 176-184
[28]师建斌,严道一.锅炉燃烧优化指导系统在火电厂的应用.中国电力,1997,30(7)：31～35
[29]沈炯,顾峻,吕震中,等.新型均衡燃烧控制系统的设计及应用研究.中国电机工程学报,2000,20(20)：80～83
[30]刘福国,郝卫东,杨建柱,等.电厂锅炉变氧量运行经济性分析及经济氧量的优化确定.中国电机工程学报,2003,23(2)：172～176
[31]罗自学,刘成永,陶茂钢,等.直流锅炉风／煤比燃烧优化控制的研究.动力工程,2008,28(5)：731～734
[32]周怀春.炉内火焰可视化检测原理与技术.北京：科学出版社,2005
[33]马涛,徐向东,王鑫鑫.基于辐射能检测的智能燃烧进化优化系统研究.热能动力工程,2004,19(3)：281～284
[34]张毅,陈彪,丁艳军,等.燃煤锅炉高效低NOx运行策略的实验研究.清华大学学报(自然科学版),2006,46(5)：666～669
[35]张毅,丁艳军,张鸿泉,等.环保与经济相协调的锅炉运行优化控制.动力工程,2005,25(5)：676～679
[36]张毅,丁艳军,张鸿泉,等.电站锅炉运行性能综合预测模型.动力工程,2006,26(1)： 84～88
[37]周昊,朱洪波,岑可法.基于人工神经网络和遗传算法的火电厂锅炉实时燃烧优化系统.动力工程,2003,23(5)：2665～2669
[38]Zhou H, Cen K F, Mao J B. Combining neural network and genetic algorithms to optimize low NOx pulverized coal combustion. Fuel,2001,80(15):2163-2169
[39]Zheng L G, Zhou H, Cen K F, et al. A comparative study of optimization algorithms for low NOx combustion modification at a coal-fired utility boiler. Expert Systems with Applications,2008,36(2):2780-2793
[40]王培红,李磊磊,陈强,等.人工智能技术在电站锅炉燃烧优化中的应用研究.中国电机工程学报,2004,24(4)：184～188
[41]许昌,吕剑虹,郑源,等.以效率和低NOx排放为目标的锅炉燃烧整体优化.中国电机工程学报,2006,26(4)：46～50
[42]刘吉臻,刘鑫屏,田亮.基于信息融合技术的燃烧控制优化系统.华东电力,2009,37(12)： 2088～2092
[43]华彦平,邹煜,吕震中.现代燃煤电站锅炉火焰检测综述.热能动力工程,2001,16(1)： 1-5
[44]宋文忠,胡克定.炉膛相关火焰检测系统.动力工程,1995,15(2)：51～56
[45]Kurihara N, Nishikawa M, Watanabe A, et al. A combustion diagnosis method for pulverized coal boilers using flame-image recognition technology. IEEE Transactions on Energy Conversion,1986, EC-1(2):99-103
[46]吴占松.发光火焰的图像处理及其在燃烧检测中的应用：[博士学位论文].北京：清华大学,1988
[47]周怀春,娄新生,邓元凯.基于辐射图象处理的炉膛燃烧三维温度分布检测原理及分析.中国电机工程学报,1997,17(1)：1-4
[48]周怀春,娄新生,肖教芳,等.炉膛火焰温度场图象处理试验研究.中国电机工程学报,1995,15(5)：295-230
[49]赵敬德.煤粉火焰三维温度分布重建及其在燃烧诊断技术中应用的研究：[博士学位论文].杭州：浙江大学,2004
[50]卫成业.燃煤锅炉炉膛火焰温度场和浓度场测量及燃烧诊断的研究：[博士学位论文].杭州：浙江大学,2001
[51]赵铁成,张银桥,徐伟勇.火焰图像检测器着火判据的设计与实验研究.动力工程,2001,21(1)：1054～1058
[52]邹煜,吕震中,王式民.锅炉全炉膛火焰数字图象处理与监测系统开发与研究.热能动力工程,1998,13(4)：261～263
[53]任鑫.基于数字图象处理技术的炉膛火焰检测系统的研究：[硕士学位论文].北京：华北电力大学,2004
[54]郭建民.基于数字图像处理技术的锅炉火焰检测与污染物排放特性研究：[博士学位论文].北京：中国科学院研究生院(工程热物理研究所),2007
[55]周怀春,韩才元.应用火焰探测诊断煤燃烧的试验研究.动力工程,1993,13(4)：32～36
[56]马骏,余岳峰,范浩杰.基于频谱分析和自组织神经网络的火焰燃烧诊断研究.动力工程,2004,24(06)：852～856
[57]熬丽敏,黎建华,宋轩,等.一种基于自适应小波变换的火焰检测方法的研究.热能动力工程,2006,21(6)：594～597
[58]白卫东,严建华,池涌,等.PCA和SVM在火焰监测中的应用研究.中国电机工程学报,2004,24(2)：185～190
[59]高翔,骆仲泱,陈亚非,等.应用微压探测诊断燃烧状况的试验研究.动力工程,1998,18(4)：27～31,14
[60]肖隽,王一清,吕震中.基于炉膛微压信号的锅炉燃烧诊断试验研究.锅炉技术,2002,33(7)：12～15
[61]程智海,蔡小舒,毛万朋.火焰特征发射谱线研究.工程热物理学报,2004,25(3)： 519～522
[62]蔡小舒,季琨,苏明旭,等.基于光谱分析的煤粉火焰复合判据和燃烧诊断研究.中国电机工程学报,2004,24(1)：211～215
[63]程浩斌,周怀春,娄新生.新型燃煤锅炉燃烧过程稳定性评价指数CSI.工程热物理学报,1997,18(4)：512～516
[64]李永华,闫顺林,张恩先.电站锅炉燃烧安全性综合评判与诊断系统的研究.中国电力,2002,35(5)：20～22
[65]杨光军.电站锅炉燃烧状态监测与优化策略研究：[博士学位论文].北京：华北电力大学,2008
[66]韩崇昭,朱洪艳,段战胜.多源信息融合.北京：清华大学出版社,2006
[67]韩晓娟.多源信息融合技术在火电厂热力系统故障诊断中的应用研究：[博士学位论文].北京：华北电力大学,2008
[68]张冀.基于多源信息融合的传感器故障诊断方法研究：[博士学位论文].保定：华北电力大学,2008
[69]张学敏.FIR低通和带通滤波器的关系分析与仿真.现代电子技术,2008,(19)：57～60
[70]丁艳军,王培红,吕震中,等.生产过程早期故障检测与诊断的一种新方法.中国电机工程学报,2000,20(3)：61～65,70
[71]Maki Y, Loparo K A. A neural-network approach to fault detection and diagnosis in industrial processes. IEEE Transaction on Control System Technology,1997,5(6): 529-541
[72]毕小龙,王洪跃,司风琪,等.基于趋势提取的稳态检测方法.动力工程,2006,26(4)： 503～506
[73]姜昌金.相关检测原理与相关算法.数据采集与处理,1995,10(2)：104～109
[74]张旻,张燕平,程家兴.时间序列相似模式的分层匹配.计算机辅助设计与图形学学报,2005,17(7)：1480～1485
[75]林湘宁,刘沛,杨春明,等.基于相关分析的故障序分量选相元件.中国电机工程学报,2002,22(5)：16-21
[76]唐捷.基于小波包多频带相关分析及信息融合的故障选线方法研究：[硕士学位论文].重庆：重庆大学,2007
[77]张贤达.现代信号处理.第2版.北京：清华大学出版社,2002
[78]鲍文,于达仁,王伟,等.基于关联规则的火电厂传感器故障检测.中国电机工程学报,2003,23(12)：170～174
[79]彭玉华.小波变换与工程应用.北京：科学出版社,1999
[80]董新洲,耿中行,葛耀中,等.小波变换应用于电力系统故障信号分析初探.中国电机工程学报,1997,17(6)：421～424
[81]管霖,吴国沛,黄雯莹,等.小波变换在电力设备故障诊断中的应用研究.中国电机工程学报,2000,20(10)：46～49,54
[82]叶昊,王桂增,方崇智.小波变换在故障检测中的应用.自动化学报,1997,23(6)：736～741
[83]徐涛,王祁.基于小波包的多尺度主元分析在传感器故障诊断中的应用.中国电机工程学报,2007,27(9)：28～32
[84]侯国莲,张怡,张建华.基于形态学-小波的传感器故障诊断.中国电机工程学报,2009,29(14)：93～98
[85]任震,何建军,黄雯莹,等.基于小波包算法的电机故障信号的压缩和重构.中国电机工程学报,2001,21(1)：25～29
[86]王振朝,岳莹昭,师洁,等.基于多分辨率分析的小波系数压扩去噪算法.中国电机工程学报,2008,28(10)：76～81
[87]鲍文,周瑞,刘金福.基于二维提升小波的火电厂周期性数据压缩算法.中国电机工程学报,2007,27(29)：96～101
[88]何连洋,韩力群.电厂锅炉燃烧工况特征研究.北京工商大学学报(自然科学版),2008,26(4)：55～59
[89]马涛,徐向东.基于多尺度挖掘的区域供热系统负荷预测.暖通空调,2005,35(11)：16～19
[90]王一清.基于谱分析和小波交换的燃烧稳定性监测与诊断方法的研究：[硕士学位论文].南京：东南大学,2001
[91]杨福生.小波变换的工程分析与应用.北京：科学出版社,1999
[92]Mallat S. A theory for multiresolution signal decomposition:The wavelet representation. IEEE Transaction on Pattern Analysis and Machine Intelligence,1989, 11(7):674-693
[93]何正友,蔡玉梅,钱清泉.小波熵理论及其在电力系统故障检测中的应用研究..中国电机工程学报,2005,25(5)：38-43
[94]樊计昌,刘明军,王夫运,等.浅析小波最大分解层.科技导报,2008,26(10)：40～42
[95]李伟全.浅析锅炉灭火与炉膛压力变化的关系及应用.山东电力高等专科学校学报,2004,7(1)：61～64
[96]王春昌.煤粉气流爆燃与炉膛负压变化的数学模型研究.中国电力,2006,39(12)：44～47
[97]王春昌,宋志强,马光荣.煤粉气流脱火与炉膛负压波动的数学模型研究.热力发电,2008,37(3)：22～25
[98]于希宁,刘洁,田亮.一种基于炉膛压力分析的燃烧特征信号提取方法.电力科学与工程,2009,25(2)：27～30
[99]Xu J H, Wu X B. Using complexity measure to characterize information transmission of human brain cortex. Science in China(Series B),1994,37(12):1455-1462
[100]谢惠民.动力系统的复杂性刻划.力学进展,1996,26(3)：289～305
[101]姜建东,屈梁生.大机组振动信号复杂性的定量描述.西安交通大学学报,1998,32(6)：31～35
[102]华彦平,吕震中,邹煜.基于图像灰度复杂性测度的炉膛燃烧状况评价.动力工程,2002,22(1)：1611～1614
[103]杨文献,姜节胜,秦卫阳.机械信号复杂性快速刻划方法研究.西北工业大学学报,2001,19(2)：216～219
[104]Kolmogorov A N. Three approaches to the quantitative definition of information. International Journal of Computer Mathematics,1968,2(1):157-168
[105]Lempel A, Ziv J. On the complexity of finite sequences. IEEE Transactions on Information Theory,1976,22(1):75-81
[106]Kohonen T. Self-Organizing Maps.3rd ed. New York:Springer,2001
[107]韩力群.人工神经网络理论、设计及应用.北京：化学工业出版社,2002
[108]闻新,周露,王丹力,等.MATLAB神经网络应用设计.北京：科学出版社,2002
[109]张学工.关于统计学习理论与支持向量机.自动化学报,2000,26(1)：32～42
[110]Vapnik V N. The nature of statistical learning theory. New York:Springer-Verlag, 1995
[111]Vapnik V N, Golowich S E, Smola A J. Support vector method for function approximation, regression estimation and signal processing. In:Mozer M,Jordan M,Petsche T, et al, eds. Advances in Neural Information Processing Systems 9. Cambridge, MA:MIT,1997.281-287
[112]Vapnik V N. Statistical learning theory. New York:Springer-Verlag,1998
[113]邓乃扬,田英杰.支持向量机——理论、算法与拓展.北京：科学出版社,2009
[114]白卫东,严建华,马增益,等.基于支持向量机的火焰状态识别方法.动力工程,2004,24(4)：548～551
[115]王华忠,张雪申,俞金寿.基于支持向量机的故障诊断方法.华东理工大学学报,2004,30(2)：179～182
[116]刘涵,李琦,刘丁,等.基于最小二乘支持向量机的电站锅炉空预器热点检测系统研究.中国电机工程学报,2005,25(3)：147～152
[117]Chan K, Lee T W, Sample P A, et al. Comparison of machine learning and traditional classifiers in glaucoma diagnosis. IEEE Transactions on Biomedical Engineering,2002, 49(9):963-974
[118]王华忠,俞金寿.统计学习理论与支持向量机在过程控制中的应用.化工自动化及仪表,2004,31(5)：1-6
[119]Chang C C, Lin C J. LIBSVM:a library for support vector machines,2001. URL: http://www.csie.ntu.edu.tw/-cjlin/libsvm
[120]何友,王国宏,彭应宁.多传感器信息融合及应用.北京：电子工业出版社,2001
[121]Dempster A P. Upper and lower probabilities induced by a multivalued mapping. The Annals of Mathematical Statistics,1967,38(2):325-339
[122]Shafer G. A mathematical theory of evidence. Princeton:Princeton University Press, 1976
[123]蓝金辉,马宝华,蓝天,等.D-S证据理论数据融合方法在目标识别中的应用.清华大学学报(自然科学版),2001,41(2)：53～55,59
[124]朱大奇,于盛林.基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用.电子学报,2002,30(2)：221～223
[125]董玉亮,顾煜炯,马履翱.基于证据推理的汽轮机组状态评价方法.中国电机工程学报,2007,27(29)：74～79
[126]张冀,王兵树,马永光,等.基于扩展证据理论的信息融合方法在传感器故障诊断中的应用.动力工程,2006,26(5)：689～693
[127]熊卫.Dempster-Shafer证据理论及其解释.华南师范大学学报(社会科学版),2000,(3)：15～21
[128]罗志增,蒋静坪.基于D-S理论的多信息融合方法及应用.电子学报,1999,27(9)：100～102
[129]韩静,陶云刚.基于D-S证据理论和模糊数学的多传感器数据融合算法.仪器仪表学报,2000,21(6)：644～647
[130]魏民祥,董龙雷,王晓云,等.基于不确定性推理原理的机组振动信息融合技术.中国电机工程学报,2000,20(9)：64～66
[131]尚勇,闫春江,严璋,等.基于信息融合的大型油浸电力变压器故障诊断.中国电机工程学报,2002,22(7)：115～118
[132]田亮,常太华,曾德良,等.基于典型样本数据融合方法的锅炉制粉系统故障诊断.热能动力工程,2005,20(2)：163～166