Bei der Teilnahme von thermischen Kraftwerken an der tiefgreifenden Lastregelung trägt die Echtzeit-Erfassung des Ofentemperaturfeldes zur Steuerung der Kraftwerkskessel und zur Untersuchung des Verbrennungsprozesses im Ofen bei. Mit dem Fortschritt der intelligenten Stromerzeugung bietet maschinelles Lernen ein wichtiges Mittel zur Echtzeit-Erfassung des Ofentemperaturfeldes. Es werden die Prinzipien und Anwendungen der drei am häufigsten verwendeten Online-Überwachungstechnologien für das Ofentemperaturfeld zusammengefasst: akustische Methode, Absorptionsspektroskopie-Tomographie und thermische Strahlungsbildgebung sowie deren Vorteile und Nachteile bei der Anwendung der Ofentemperaturmessung in Kesseln. Anschließend wird das Prinzip der Vorhersagemethode, die maschinelles Lernen und CFD koppelt, ausführlich erläutert. Es wird gezeigt, dass diese Methode in der rauen Ofenumgebung weniger beeinträchtigt wird. Ein Überblick über die Anwendung dieser Methode in der Erforschung der Struktur und Parameter der Verbrennungsflamme sowie des Ofentemperaturfeldes zeigt die Machbarkeit und die genaue Vorhersage des Ofentemperaturfeldes. Abschließend werden die zukünftigen Entwicklungen der Online-Überwachungstechnologien für das Ofentemperaturfeld und der Vorhersagemethode, die maschinelles Lernen und CFD koppelt, analysiert, um im Zuge der intelligenten Kraftwerksentwicklung Ideen für eine schnellere und genauere Echtzeiterfassung des Ofentemperaturfeldes zu bieten.

Kraftwerkskessel;Ofentemperaturfeld;Online-Überwachung;Maschinelles Lernen;Prognose