编辑推荐：
为解决火电厂煤质波动大、现有检测技术受限等问题，研究人员开展基于聚光光热快速燃烧的在线煤质监测研究。用新型分析仪测 40 种煤样燃烧特性，结合神经网络与 SHAP 算法评估可行性。结果表明该技术潜力大，能助力电厂优化燃烧。
在能源领域，煤炭一直是极为重要的角色。尤其是在像中国这样的发展中国家，煤炭在一次能源消费中占比约 70%，火力发电更是贡献了超 50% 的总发电量 。但中国煤矿的煤化程度差异巨大，一座火电厂往往要使用多种煤炭，甚至部分电厂每年会用到上百种煤。这就导致进入锅炉的煤炭质量频繁波动，而煤质又直接决定着锅炉的燃烧设置和最终的燃烧效果。因此，快速检测和分析煤质对火电厂高效运行和动态优化至关重要。
随着新能源并网规模不断扩大，火力发电在调峰能源中依旧占据主导地位，这对锅炉的负荷调整响应速度和运行能力提出了更高要求，实时获取入炉煤质信息变得愈发关键。近年来，核方法和光谱分析技术，如瞬发伽马中子活化分析（PGNAA）、近红外光谱（NIRS）、X 射线荧光光谱（XRF）、激光诱导击穿光谱（LIBS）等在煤质检测方面取得了一定进展，能实现快速检测且有一定精度。然而，这些技术都存在各自的局限性，比如 PGNAA 的辐射源管理问题、NIRS 检测无机成分的局限、XRF 对有机成分的不敏感、LIBS 的基体效应，以及光学检测系统的成本和长期稳定性问题等，严重阻碍了它们的实际应用。热重分析（TGA）因煤的工业分析结果与特定热条件下的失重特性直接相关，也受到了研究人员的关注。但传统热分析方法加热速率低，获取结果需 4 - 5 小时，无法满足在线煤质检测的需求。
在这样的背景下，为了攻克现有煤质检测技术的难题，来自国内的研究人员开展了一项极具意义的研究。研究成果发表在《Fuel》上。
研究人员选用 40 种中国煤样，其中包括 37 种单一煤（无烟煤、瘦煤、烟煤、褐煤）以及 3 种混煤（A1、A2、A3），通过新型聚光光热分析仪对这些煤样在高加热速率（1000 °C/min）下的快速燃烧特性进行研究，并与常规热重分析（加热速率 10 °C/min）结果对比，分析热重特性、峰值温度和活化能分布规律。之后，研究人员将神经网络模型与可解释性分析（SHAP 算法）相结合，评估基于快速燃烧特性进行在线煤质监测的可行性。最后，提出一种基于聚光光热技术快速煤质预测的智能燃烧优化系统，推动智能电厂的发展。
在研究过程中，主要运用了以下关键技术方法：首先是新型聚光光热分析仪的使用，它能够实现并调节 0 - 104 °C/min 的加热速率，为研究高加热速率下煤的燃烧特性提供了可能。其次，热重分析（TGA）技术，通过测量煤样在不同加热速率下的重量变化，获取燃烧曲线等数据。此外，人工神经网络（ANN）模型与 SHAP 算法的结合，用于评估基于燃烧特性预测煤质的可行性，并对二者关系进行深入解释。
研究人员在实验中得到了一系列重要结果。在燃烧曲线方面，不同煤阶的煤在聚光光热加热（HR1000）和常规 TGA（HR10）下的 TG 和 DTG 曲线差异明显，说明不同煤阶煤的燃烧特性在两种条件下都能区分，且高加热速率下燃烧速率显著加快，伴有明显热滞后效应。在热重参数与煤质参数关系上，基于快速燃烧曲线定义了热重参数（SA、SB、SC、SD），这些参数与煤质参数（Mad、Vad、FCad、Aad）存在明显相关性。在煤质预测模型性能评估上，多个 ANN 模型对比发现，ANN5 模型以热重参数、峰值温度、转变时间和活化能为输入，预测性能最佳，最大误差在 1% 以内。
在研究结论与讨论部分，本次研究成功对煤进行了高加热速率（1000 °C/min）燃烧实验，详细分析了其燃烧特性，并与低加热速率（10 °C/min）下的情况对比。利用可解释性神经网络模型评估了基于聚光光热快速燃烧快速预测煤质的可行性，证实了该技术在在线煤质监测方面的巨大潜力。提出的智能燃烧优化系统，有望在 3 分钟内完成检测过程，为火电厂锅炉燃烧运行控制提供指导，这对于提高火电厂的能源利用效率、降低运行成本、减少污染物排放具有重要意义，也为智能电厂的发展提供了新的技术思路和方向，推动整个火力发电行业向智能化、高效化迈进。
