本发明涉及锅炉燃烧优化领域，特别是一种基于火焰燃烧图像判断的在线锅炉燃烧优化方法。
背景技术：
目前，用于火力发电的锅炉燃烧优化已成为智慧电厂的重点研究领域，并且得到一定应用。但是由于通过传感器数据获得的燃烧效果是从整个过程末端采集，不能够实时反应炉膛内燃烧效果，从而触发整个燃烧优化控制，因此很难做到准确、实时的在线优化，以至于优化的效果不能达到预期水平。
在传统的锅炉燃烧控制中，有经验的工程师往往通过部署在炉膛视频监控设备观测炉膛内火焰燃烧的情况，从而判断是否需要调整控制参数。但一般情况下，工程师很难每时每刻盯着视频观察，而且判断燃烧状态也取决于不同班组不同工程师的主观因素和经验。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种基于火焰燃烧图像判断的在线锅炉燃烧优化方法，降低主观因素和经验的影响，提高锅炉燃烧优化的实时性和可靠性。
本发明的目的是通过以下技术方案来实现的：
一种基于火焰燃烧图像判断的在线锅炉燃烧优化方法，包括以下步骤：
s1：采集火焰燃烧图像并通过火焰燃烧图像提取特征值，所述特征值包括火焰中心面积占比与火焰中心的偏心距，所述火焰燃烧图包括训练用图与测试用图；
s2：针对训练用图提取的特征值进行建模得到火焰燃烧图像识别模型；
s3：针对测试用图提取的特征值采用火焰燃烧图像识别模型进行识别得到模型识别结果；
s4：根据模型识别结果通过燃烧优化模型进行优化调整。
进一步，所述步骤s1包括以下子步骤：
s101：采集火焰燃烧图像；
s102：对火焰燃烧图像进行特征值提取；
s103：对火焰燃烧图像进行预处理；
s104：对预处理后的火焰燃烧图像进行通道分离并提取得到单通道图；
s105：将所述单通道图转化为二值图像；
s106：通过二值图像计算火焰中心面积占比；
s107：通过二值图像计算火焰中心的偏心距；
s108：将火焰中心面积占比与火焰中心的偏心距合并成特征值向量。
进一步，所述步骤s104中通道分离的方法为rgb通道分离、hsv通道分离、ycbcr通道分离以及l*a*b*通道分离中的一个。
进一步，所述步骤s104中通道分离的方法为rgb通道分离，所述单通道图为b通道灰度图。
进一步，所述步骤s105中通过设置阈值进行单通道图到二值图像的转化。
进一步，所述阈值为多层固定阈值t，提取的火焰中心面积为多层火焰中心面积；所述火焰中心面积占比为多层火焰中心面积占比。
进一步，所述步骤s103中对火焰燃烧图像进行去噪以及抑制过亮的光晕背景的预处理。
进一步，所述步骤s107中的偏心距为火焰中心与炉膛中心的距离。
进一步，所述步骤s4包括以下子步骤：
s401：提取燃烧优化模型的输入数据与输出数据，并对输入数据与输出数据进行预处理；
s402：根据输入数据与输出数据建立燃烧优化模型；
s403：根据模型识别结果通过燃烧优化模型进行输入参数的优化。
进一步，所述输入数据包括负荷、炉膛出口氧量、一次风速、风向压差、二次风风门开度、燃尽风、煤质以及磨煤机给煤量；
所述输出数据包括飞灰含碳量、大渣含碳量、炉膛出口nox、炉膛出口so2以及炉膛出口烟尘量。
本发明的有益效果是：
降低主观因素和经验的影响，提高锅炉燃烧优化的实时性和可靠性。
附图说明
图1为本发明的硬件系统结构示意图；
图2为本发明的示意图；
图3为选取不同阈值时中心火焰面积的区别示意图；
图4为偏心距的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一：
如图1至图4所示，一种基于火焰燃烧图像判断的在线锅炉燃烧优化方法，包括以下步骤：
s1：采集火焰燃烧图像并通过火焰燃烧图像提取特征值，所述特征值包括火焰中心面积占比与火焰中心的偏心距，所述火焰燃烧图包括训练用图与测试用图；
s101：采集火焰燃烧图像；
s102：对火焰燃烧图像进行特征值提取；
s103：对火焰燃烧图像进行预处理；
所述步骤s103中对火焰燃烧图像进行去噪以及抑制过亮的光晕背景的预处理；
由于用于采集火焰燃烧图像的摄像头实际的布置位置远离火焰，因此会出现大量图像噪声(例如飞灰)以及过亮的光晕背景，因此进行去噪以及抑制过亮的光晕背景的预处理。预处理方法包括高斯滤波、中通滤波、均值滤波等方法。
s104：对预处理后的火焰燃烧图像进行通道分离并提取得到单通道图；
所述步骤s104中通道分离的方法为rgb通道分离、hsv通道分离、ycbcr通道分离以及l*a*b*通道分离中的一个。
通过比较四种方法，rgb通道分离对于中心火焰识别的效果最佳。
所述步骤s104中通道分离的方法为rgb通道分离，所述单通道图为b通道灰度图。
s105：将所述单通道图转化为二值图像；
所述步骤s105中通过设置阈值进行单通道图到二值图像的转化。
阈值的大小决定了火焰中心面积，阈值越大火焰中心面积越小，阈值越小火焰中心面积越大。
所述阈值为多层固定阈值t，提取的火焰中心面积为多层火焰中心面积。
通过多层火焰中心面积可以定性反映多个位置的火焰温度。
由于摄像头和采集卡可能存在不同，多层固定阈值t的选择通过反复试验的方式选取合适的各层阈值。为了方便说明，这里举例选取两层固定阈值分别为0.8*255，0.9*255，图3示出选取不同阈值的中心火焰面积的区别。
s106：通过二值图像计算火焰中心面积占比；
所述阈值为多层固定阈值t，则火焰中心面积占比为多层火焰中心面积占比。
通过黑白像素计算火焰中心面积占比r1…rn。火焰中心面积占比越大说明燃烧效果越好。
s107：通过二值图像计算火焰中心的偏心距；
所述偏心距为火焰中心与炉膛中心的距离h。
偏心距越小说明配风比较好，反之配风可能不佳。而且偏心距越大，会使得冷却壁效率下降、实用寿命缩短。
在计算火焰中心的位置时，采用最内层火焰轮廓最小外接矩形的中心，最内层火焰轮廓指采用多层固定阈值时得到的多层火焰中最内层火焰的轮廓。因为最内层火焰像素表现最明显，判断上也较为稳定。
如图4所示，a点为最内层火焰轮廓最小外接矩形的中心，b点为炉膛中心，a到b的距离为偏心距h。
s108：将火焰中心面积占比与火焰中心的偏心距合并成特征值向量；
s2：针对训练用图提取的特征值进行建模得到火焰燃烧图像识别模型；
所述火焰燃烧图像识别模型以人工识别结果进行搭建，人工识别结果为通过经验丰富的工程师的主观判断对采集的火焰燃烧图像进行人工标注的结果，这样形成专家判别系统。
人工识别结果包括需要优化与不需要优化，根据标准给出是否启动优化的结论。
进行人工识别的火焰燃烧图像要有代表性且有一定数量规模。
采用svm算法进行建模，火焰燃烧图像识别模型主要用于对火焰燃烧图像进行需要优化与不需要优化的分类。
s3：针对测试用图提取的特征值采用火焰燃烧图像识别模型进行识别得到模型识别结果；
模型识别结果包括需要优化与不需要优化。
s4：根据模型识别结果通过燃烧优化模型进行优化调整。
s401：提取燃烧优化模型的输入数据与输出数据，并对输入数据与输出数据进行预处理；
输入数据包括负荷、炉膛出口氧量、一次风速、风向压差、二次风风门开度、燃尽风、煤质以及磨煤机给煤量；
输出数据包括飞灰含碳量、大渣含碳量、炉膛出口nox、炉膛出口so2以及炉膛出口烟尘量；
输入数据与输出数据如有缺失，对缺失数据进行中值填充。这样初始化燃烧优化模型的参数。
输入数据与输出数据提取自dcs系统。
s402：根据输入数据与输出数据建立燃烧优化模型；
基于机器学习算法进行建模，
机器学习算法包括svm、神经网络、高斯过程中的一个或多个。
通过进化计算框架对燃烧优化模型的超参数进行优化，以获得更好的模型。
s403：根据模型识别结果通过燃烧优化模型进行输入参数的优化。
基于进化计算框架对dcs的可调的输入参数进行优化。
通过燃烧优化模型预测的飞灰含碳或氮化物为目标进行最优化，以获得优化的燃烧方案。
结合智能视频技术与燃烧参数优化技术，解决了传统优化与人工观察两方面存在的问题，通过图像识别进行是否需要优化的判断，降低主观因素和经验的影响，提高锅炉燃烧优化的实时性和可靠性。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
