生物质燃料具有低碳、清洁的特点,是可再生能源中的主要组成部分,具有广阔的发展和应用前景。生物质燃料中富含金属元素,在燃烧时会产生结渣,不仅影响导热效率,而且影响锅炉的安全运行。燃烧火焰反映燃烧状况,尤其是火焰中碱金属K和Na的光谱信息,与生物质燃料结渣有密切关系。本文通过采集不同生物质燃料燃烧火焰中的K、Na光谱信息,提取光谱特征,结合火焰温度,建立K、Na含量及燃料结渣倾向的预测模型。本文的主要工作如下:首先介绍了不同生物质燃料的元素分析和工业分析,通过燃烧试验分析生物质在燃烧时,燃料量和空气量分别变化对燃烧火焰中K、Na元素光谱强度的影响。其次采集不同生物质燃料燃烧火焰中K、Na光谱信息,经过数据预处理和特征提取,建立基于循环神经网络(RNN)、长短期记忆神经网络(LSTM)和深层循环神经网络(DRNN)的生物质燃料中K、Na元素含量动态预测模型,并与基于支持向量机(SVM)和BP神经网络的K、Na元素含量静态预测模型进行对比分析,结果表明动态预测模型的有效性。最后分析影响生物质燃烧结渣的主要因素,包括生物质灰的熔融温度、K、Na元素及其他元素的影响,以及不同结渣程度分类。提取生物质燃烧火焰中K、Na元素光谱信息的特征,结合火焰温度,构建基于RNN、LSTM和DRNN的生物质燃烧结渣倾向的动态预测模型,并与基于SVM和BP神经网络的结渣倾向静态预测模型进行对比分析。结果表明不同预测模型均具有一定的准确率,且在线预测模型准确率高于传统的离线测量方法。