在能源領域，煤炭一直是極為重要的角色。尤其是在像中國這樣的發展中國家，煤炭在一次能源消費中占比約 70%，火力發電更是貢獻了超 50% 的總發電量 。但中國煤礦的煤化程度差異巨大，一座火電廠往往要使用多種煤炭，甚至部分電廠每年會用到上百種煤。這就導致進入鍋爐的煤炭質量頻繁波動，而煤質又直接決定著鍋爐的燃燒設置和最終的燃燒效果。因此，快速檢測和分析煤質對火電廠高效運行和動態優化至關重要。

隨著新能源并網規模不斷擴大，火力發電在調峰能源中依舊占據主導地位，這對鍋爐的負荷調整響應速度和運行能力提出了更高要求，實時獲取入爐煤質信息變得愈發關鍵。近年來，核方法和光譜分析技術，如瞬發伽馬中子活化分析（PGNAA）、近紅外光譜（NIRS）、X 射線熒光光譜（XRF）、激光誘導擊穿光譜（LIBS）等在煤質檢測方面取得了一定進展，能實現快速檢測且有一定精度。然而，這些技術都存在各自的局限性，比如 PGNAA 的輻射源管理問題、NIRS 檢測無機成分的局限、XRF 對有機成分的不敏感、LIBS 的基體效應，以及光學檢測系統的成本和長期穩定性問題等，嚴重阻礙了它們的實際應用。熱重分析（TGA）因煤的工業分析結果與特定熱條件下的失重特性直接相關，也受到了研究人員的關注。但傳統熱分析方法加熱速率低，獲取結果需 4 - 5 小時，無法滿足在線煤質檢測的需求。

在這樣的背景下，為了攻克現有煤質檢測技術的難題，來自國內的研究人員開展了一項極具意義的研究。研究成果發表在《Fuel》上。

研究人員選用 40 種中國煤樣，其中包括 37 種單一煤（無煙煤、瘦煤、煙煤、褐煤）以及 3 種混煤（A1、A2、A3），通過新型聚光光熱分析儀對這些煤樣在高加熱速率（1000 °C/min）下的快速燃燒特性進行研究，并與常規熱重分析（加熱速率 10 °C/min）結果對比，分析熱重特性、峰值溫度和活化能分布規律。之后，研究人員將神經網絡模型與可解釋性分析（SHAP 算法）相結合，評估基于快速燃燒特性進行在線煤質監測的可行性。最后，提出一種基于聚光光熱技術快速煤質預測的智能燃燒優化系統，推動智能電廠的發展。

在研究過程中，主要運用了以下關鍵技術方法：首先是新型聚光光熱分析儀的使用，它能夠實現并調節 0 - 10⁴ °C/min 的加熱速率，為研究高加熱速率下煤的燃燒特性提供了可能。其次，熱重分析（TGA）技術，通過測量煤樣在不同加熱速率下的重量變化，獲取燃燒曲線等數據。此外，人工神經網絡（ANN）模型與 SHAP 算法的結合，用于評估基于燃燒特性預測煤質的可行性，并對二者關系進行深入解釋。

研究人員在實驗中得到了一系列重要結果。在燃燒曲線方面，不同煤階的煤在聚光光熱加熱（HR1000）和常規 TGA（HR10）下的 TG 和 DTG 曲線差異明顯，說明不同煤階煤的燃燒特性在兩種條件下都能區分，且高加熱速率下燃燒速率顯著加快，伴有明顯熱滯后效應。在熱重參數與煤質參數關系上，基于快速燃燒曲線定義了熱重參數（S_A、S_B、S_C、S_D），這些參數與煤質參數（M_ad、V_ad、FC_ad、A_ad）存在明顯相關性。在煤質預測模型性能評估上，多個 ANN 模型對比發現，ANN5 模型以熱重參數、峰值溫度、轉變時間和活化能為輸入，預測性能最佳，最大誤差在 1% 以內。

在研究結論與討論部分，本次研究成功對煤進行了高加熱速率（1000 °C/min）燃燒實驗，詳細分析了其燃燒特性，并與低加熱速率（10 °C/min）下的情況對比。利用可解釋性神經網絡模型評估了基于聚光光熱快速燃燒快速預測煤質的可行性，證實了該技術在在線煤質監測方面的巨大潛力。提出的智能燃燒優化系統，有望在 3 分鐘內完成檢測過程，為火電廠鍋爐燃燒運行控制提供指導，這對于提高火電廠的能源利用效率、降低運行成本、減少污染物排放具有重要意義，也為智能電廠的發展提供了新的技術思路和方向，推動整個火力發電行業向智能化、高效化邁進。