燃煤热值是煤质分析的一个重要指标,采用纳秒和飞秒以及双脉冲激光诱导击穿光谱技术对18个含有不同热值的标准煤样进行热值定量分析。对比分析了纳秒和飞秒等离子体光谱的差异,结果表明飞秒等离子体光谱较纳秒等离子体光谱具有更小的连续背景噪声,信噪比更低,谱线强度的相对标准偏差更小,稳定性更高,无需对光谱进行基线校正即可获得较高的元素含量线性拟合度,但存在光谱强度较弱的缺点。搭建了一套以飞秒激光器作为光谱激发源,以纳秒激光作为加热源的双脉冲激光诱导击穿光谱系统,通过实验证明了双脉冲激光诱导击穿光谱技术可以大幅增强谱线强度。最后分别将纳秒、飞秒以及双脉冲激光诱导击穿光谱技术与偏最小二乘法结合,对煤样的热值进行定量分析,定标曲线拟合度(R2)分别为0.9553、0.9897、0.9964,说明双脉冲激光诱导击穿光谱技术可以有效提高燃煤热值的定量分析精度。

热值是煤质特性的重要参数之一, 很大程度上影响着燃煤锅炉的运行。 为了克服传统检测方法所存在的问题, 将激光诱导击穿光谱(LIBS)应用于燃煤热值的定量分析。 煤的结构复杂, 所含的元素种类众多, 包括了主量元素、 次量元素和痕量元素, 致使煤的LIBS光谱信息复杂。 如何有效提取LIBS光谱信息, 实现准确的定量化测量是LIBS在煤特性检测中发挥作用的前提和基础。 近年来, 随着人工智能技术的发展, 相关的分析技术也开始应用于煤的工业指标分析和热值预测中。 为实现煤样品中LIBS光谱信息的有效提取, 同时为克服常规的分析方法易出现的过渡拟合、 收敛性不好等问题, 提出采用结合K-fold Cross Validation(K-CV)参数优化的支持向量机(SVM)回归方法, 实现LIBS定量分析煤中的热值。 SVM方法是结构风险最小化的近似实现, 可用于模式分类和非线性回归。 为了得到有效的LIBS分析模型, 实验选用44种电厂常用的热值含量不同的煤样作为实验对象, 选择其中33个作为训练集, 剩余11个为测试集。 利用搭建的LIBS实验系统获取所选煤样品的等离子体发射光谱数据, 首先分析了SVM热值回归模型的参数-惩罚因子C、 核函数参数g与模型精度的关联, 确定C和g最佳取值范围, 然后分别建立了基于LIBS全谱和某些元素(非金属元素和金属元素)特征光谱的SVM回归模型。 利用训练集光谱数据, 结合K-CV法得到热值SVM回归模型的最优参数C和g的值, 建立基于SVM最优参数的煤热值定量分析模型。 然后将测试集的光谱数据作为输入量用于测试所建立模型的可靠性, 得到分别采用全谱、 非金属元素特征光谱、 非金属与金属元素特征谱相结合的热值定量分析模型, 其决定系数R2均达到0.99以上, 均方误差分别为0.12, 0.17和0.06 (MJ·kg-1)2, 预测平均相对偏差分别为1.2%, 1.23%和0.69%。 结果表明： 基于K-CV参数优化SVM回归方法可用于LIBS技术实现燃煤热值的定量分析, 且可得到较高的分析精确度和准确度; 同时通过对比选用不同的光谱特征的定量分析模型可知, 采用非金属与金属元素的特征光谱所建立的基于K-CV参数优化SVM的热值定量模型, 能够有效提高LIBS应用于快速检测煤热值的精度和准确度, 实现煤热值的准确预测。

煤的热值是影响燃煤锅炉运行最重要的煤质特性之一。燃煤热值在线分析能够为实时优化调整锅炉运行提供重要依据。采用激光诱导击穿光谱技术对烟煤样品热值进行了定量分析。实验用Nd:YAG固体激光器1 064 nm激光脉冲在空气环境下烧蚀烟煤样品表面而形成等离子体。采用偏最小二乘法和基于主导因素的偏最小二乘法提高煤热值定量分析的准确性。对于基于主导因素的偏最小二乘法, 利用碳双原子分子(C2)和碳氮双原子分子(CN)的谱线强度建立主导因素模型。采用偏最小二乘法建立的定标曲线拟合优度和预测均方根误差分别为0.94和1.46 MJ/kg; 采用基于主导因素的偏最小二乘法建立的定标曲线拟合优度和预测均方根误差分别为0.99和1.18 MJ/kg。结果表明: 激光诱导击穿光谱技术对燃煤热值在线分析具有很大的应用潜力。

作为煤质评价的重要指标之一, 热值的快速、 准确测量对电厂燃煤锅炉的优化燃烧和经济运行至关重要。 采用激光诱导击穿光谱(LIBS)技术结合BP神经网络定量分析模型和聚类分析, 以35个煤粉样品作为研究对象进行热值的定量分析。 基体效应对LIBS光谱数据的显著影响, 针对基于某类煤粉样品所建立的定标曲线不能直接用于不同煤种的定量分析, 采用K-means聚类方法根据热值、 灰分、 挥发分把样品分为三类对训练集和预测集样品进行优化选择。 通过谱线强度和热值变量相关性分析, 同时考虑特征谱线的物理意义, 最终提取12条元素谱线的峰值强度作为输入参数, 建立BP神经网络模型对燃煤热值进行预测。 定标结果表明, 建立的神经网络模型具有良好的定量分析能力, 定标曲线拟合度R2为0.996, 热值预测值的相对误差低于3.42%, 多次重复测量的相对标准偏差在4.23%以内。 对聚类分析中3类样品具有不同的预测能力, 采用峰值强度作为输入参数时, 能够在一定程度上减弱试验参数波动和基体效应造成的影响。 定量分析结果的重复性和准确性可以通过对不同类别的煤种分别建立BP神经网络模型来进一步改善。 LIBS技术结合BP神经网络可以对煤粉热值进行定量分析, 在现场在线/快速检测领域具有很好的应用价值和潜力。

越来越多的农作物秸秆用于生产生物质成型燃料(生物质颗粒), 作为民用和工业锅炉的生物质燃料。 高位热值是衡量生物质燃料燃烧性能的主要参数之一, 反映了生物质可用能含量, 但利用传统的氧弹分析法测试高位热值费时费力, 急需一种快速准确的方法评估农作物秸秆的高位热值, 以制备高质量的生物质颗粒燃料。 基于工业分析/元素分析和可见-近红外光谱分析, 对比分析了五种农作物秸秆(稻秸、 麦秸、 棉秆、 油菜秆和玉米秆)的高位热值预测模型。 首先, 利用多元线性回归(MLR)、 逐步回归(SWR)和反向传播人工神经网络(BPNN)模型, 在基于五种农作物秸秆工业分析和元素分析基础上, 提出了高位热值预测模型并进行验证。 MLR模型具有较好的相关系数(R2), 预测均方根误差(RMSEP)和预测标准差与参比标准差比值(RPD), 分别为0.921 1, 0.135 1和3.49。 此外, 利用可见-近红外光谱分析了农作物秸秆, 发现对光谱数据作最小二乘法回归(PLR), 可建立高位热值预测模型, 预测R2和RMSEP分别为0.881 2和0.412 9。 研究结果表明MLR模型和PLR模型分别适用于基于工业分析/元素分析和可见-近红外光谱建模, 对农作物秸秆的高位热值快速检测设备研发能提供基础模型支持。

将激光诱导击穿光谱技术（LIBS）应用于煤中热值的检测。 针对传统的通道面积归一化方法未能考虑煤质检测的物理/化学机制、 从而限制了所建模型在精确性、 准确性、 可重复性的情况, 提出了一种新型的基于光谱偏差产生原理的校正模型。 模型选取了19组煤样品, 随机选择其中15组为校正集, 用于建立热值的定量分析模型, 剩余四种为预测集, 用于对所建模型进行检验与评价。 模型从光谱偏差因素的产生因素出发, 通过原子光谱发射理论结合斯塔克展宽公式, 推导出LIBS条件下自吸收效应的影响机制及其所引起的偏差的修正方法。 通过元素间相互干扰结合基体效应的微观机理对基体效应进行光谱的偏差分析, 并根据K系数法的思路对LIBS中元素间相互干扰进行修正, 通过建立光谱的电子密度, 等离子体温度, 元素浓度的数值模型对基体效应引起的光谱偏差进行深度修正。 因而经过自吸收效应—元素间相互干扰—基体效应深度修正后, 模型对于所研究样品范围内其拟合优度R2=0.967, RMSEP=0.49 MJ·kg-1, RMSE=0.45 MJ·kg-1, MRE=2.42%, ARE=1.64%的同时RSD=5.79%, RSDP=8.10%。 相对于传统的通道面积归一化-多元线性回归方法的0.405, 8.28 MJ·kg-1, 4.14 MJ·kg-1, 22.85%, 52.48%, 18.28%, 32.85%, 表明测量的精确度与准确度都得到明显的提高, 证明该模型具有很好的应用价值。

快速检测生物质原料特性对生产高品质压缩成型燃料具有重要意义。 利用光谱技术建立松木、 杉木和棉杆三类农林生物质组分(水分、 灰分、 挥发分和固定碳)和热值预测模型。 相比原始光谱, 基于一阶导数光谱的偏最小二乘回归(PLS)模型预测精度较高。 灰分、 挥发分和水分PLS模型交叉校验决定系数(R2)分别为0.97, 0.94和0.90, 预测偏差比率(RPD)分别为6.57, 4.00和3.01。 固定碳和热值PLS模型精度一般, R2分别为0.85和0.87, RPD分别为2.55和2.73。 实验结果表明, 利用可见-近红外光谱技术完全可以替代传统工业分析方法, 从而实现农林生物质原料组分和热值的快速测定。

水分和热值是与秸秆能源转化利用相关的重要特性指标，采用近红外光谱技术结合LOCAL算法来予测秸杆 水份和热值.首先将样品分别按水分含量和热值大小均分为高、中、低三个子集分段建模，结果高、中、低含量样品 建立的模型的交互验证标准差(SECV)几乎都小于全部样品模型的SECV，表明了秸秆水分和热值变幅对近红外光 谱模型的预测精度有较大的影响.针对化学值变幅对模型精度的影响，引入LOCAL算法实现近红外光谱技术预 测，快速分析测定秸秆的水分和热值.研究结果表明，LOCAL算法为每个预测样品选择合理的定标集，与常规的PLS 和MPLS模型相比，有效提高了近红外光谱技术预测精度，在秸秆近红外光谱定量分析中有着广阔的应用前景.

从全国24个省(市)收集到222个秸秆样品, 包括172个稻秸样品和50个麦秸样品。 采用近红外光谱技术, 结合主成分回归、 偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。 近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。 对得到的54个模型采用统计学的方法分析外部验证的结果, 通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)), 考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。 结果表明： 近红外光谱技术能够快速、 准确地分析秸秆的热值, 模型的SEP(C)在134～178 J·g-1之间； 对外部验证结果的统计分析, 能够有效地选择较好的建模方法, 确定较优模型。