基于知识与数据增强的热电联产系统燃烧状态精准识别方法

针对热电联产系统燃烧状态样本不平衡导致的识别精度下降问题，研究人员提出融合机理知识与数据增强的RACGAN（精炼辅助分类生成对抗网络）方法，通过独立分类器和自注意力模块生成高质量多类样本，结合改进残差网络（IResNet）实现燃烧状态精准识别。实验表明该方法显著提升异常状态识别准确率，为工业过程安全运行提供新思路。

　　

热电联产系统作为能源转型的关键技术，在提升能效和减少污染方面具有战略意义。然而，发展中国家此类系统常因燃烧不稳定导致污染物超标，甚至引发炉膛结渣、爆燃等严重事故。传统数据驱动方法如支持向量机(SVM)和深度森林算法虽取得进展，但面临核心瓶颈：正常与异常燃烧样本量严重失衡（正常状态占90%以上），导致模型对罕见故障的识别准确率骤降。现有生成对抗网络(GAN)虽能扩充样本，但多类样本生成中存在梯度消失、模式坍塌等问题，且缺乏对燃烧机理的深度嵌入。

中国的研究团队在《Expert Systems with Applications》发表的研究中，创新性地将机理知识与数据增强融合，提出RACGAN框架。通过锅炉温度特性与污染物排放标准的双重标定，结合污染物形成机制筛选输入变量；设计带自注意力模块的独立分类器结构，使生成样本质量提升42%；构建包含多样性指数、FID得分的评估体系，最终训练出的IResNet模型在真实电厂数据中实现98.7%的识别准确率。

关键技术包括：1）基于燃烧机理的变量筛选；2）精炼辅助分类生成对抗网络(RACGAN)架构设计；3）生成样本的自适应过滤算法；4）改进残差网络(IResNet)分类器优化。实验数据来自浙江嘉兴某生物质热电厂的运行数据库。

研究结果
燃烧状态标定与特征选择
通过锅炉温度场分布与NO_x/SO₂排放限值的交叉验证，将燃烧状态划分为4类。选取二次风量、炉膛负压等12个关键参数作为输入，其选择依据源自煤粉燃烧链式反应机理。

多类数据增强模块
RACGAN在传统ACGAN基础上引入三点改进：1）分离判别器与分类器功能，避免任务干扰；2）加入self-attention机制捕捉全局特征；3）采用Wasserstein距离替代JS散度防止梯度消失。生成的异常状态样本Fréchet距离较DCGAN降低63%。

生成样本选择模块
建立包含Kullback-Leibler散度、轮廓系数的评估体系，自动剔除偏离真实分布10%以上的生成样本，最终保留样本的多样性指数达0.89。

燃烧状态识别模块
IResNet通过残差块堆叠与通道注意力机制改进，在测试集上对爆燃状态的召回率提升至96.3%，显著优于传统SVM（78.2%）和Vision Transformer（91.5%）。

结论表明，该研究首次实现机理指导下的燃烧状态数据增强，RACGAN框架有效解决工业场景多类样本生成难题。实际应用中可提前15分钟预警燃烧异常，使电厂污染物超标事件减少38%。未来工作将拓展至燃煤-生物质混烧场景，并探索动态样本生成策略。