支持向量机预测发热量研究

2015-03-26李子文六盘水师范学院化学与化学工程系贵州六盘水553004

江西建材 2015年11期

■李子文 ■六盘水师范学院化学与化学工程系，贵州六盘水 553004

在中国，煤炭支撑着国民经济发展，其仍然占据一次能源主导地位，份额高达67.5%。2013年煤炭消费为19.25亿吨油当量，占世界煤炭消费量的50.3%［1］。因此随着煤炭的不断消耗，煤炭资源越来越少。因此对于现有的煤炭资源要充分利用好。煤炭燃烧时，煤炭的发热量的高低，决定在利用时是否能满足要求，发热量高会形成浪费，发热量低又达不到要求。提前准确的预测煤炭的发热量尤为重要。

1 发热量

1.1 预测发热量的必要性

煤的发热量也称煤的热值，是指单位质量的煤完全燃烧后释放出的热量。煤的发热量不仅是评价动力用煤及动力配煤质量的一个重要指标，而且是评价动力用煤的一项重要经济参数，以发热量计价能较准确地反映煤炭的使用价值。但是，对测定发热量的环境条件和操作人员的专业水平要求较高，测试仪器的维护难度较大，且测定发热量需要的时间较长，测定结果滞后，因此，对煤的发热量进行准确预测对于煤炭企业来说有重要的使用意义［2］。

1.2 影响发热量的因素

煤中的水分在燃烧时吸收发热量而蒸发，带走部分热量;煤燃烧时，煤中有的矿物质会吸热分解，因此这些矿物质含量越高，其热解所吸收的热量也越多，通常每增加1%的灰分，发热量降低300－380J/g［3］;挥发分对发热量的影响随煤种的不同而不同［4］;不同成煤环境形成的煤，具有相同变质程度，其发热量也会有所差异［5］。

2 支持向量机预测煤炭发热量

2.1 支持向量机

支持向量机(Support Vector Machine，SVM)是 Corinna Cortes和Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。由于支持向量机具有以上优势，顾采用其构建发热量预测模型［6］。

2.2 支持向量机构建发热量预测模型

模型构建的原始数据来源于曹建波等的《神经网络应用于煤质发热量预测分析》［7］中的数据，其中32组数据作为训练样本，7组数据作为检验样本;因此模型的输入因素由影响因素决定，顾可分别为全水分(Mt)、空气干燥基水分(Mad)、收到基灰分(Aar)、收到基硫分(Sar)、空气干燥基氢含量(Had)、收到基挥发分(Var)和空气干燥基碳含量(Car)7个因素;煤的恒容高位发热量就作为模型输出目标。

根据不同的输入因素、相同的输出因素，应用支持向量机构建不同的发热量预测模型。其中模型1的输入因素是上述的7个因素，该模型预测结果的误差分析见图1和表1所示。

表1 模型(1－7)检测样本预测结果误差分析表

模型1训练样本的相对误差最大为1.81%，能比较精确地样本做出了预测;从表1可知，其检测样本的平均相对误差为0.74%，最大相对误差为1.76%。由此表明，预测误差在允许范围内。

图1是训练样本和检测样本的实测值与预测值关系曲线，由图可知预测值与实测值均比较接近y=x这条曲线两侧，表明实测值与预测值较接近。为进一步确定上述7因素与发热量的关系，在模型1基础上，重新设计了6组模型的输入因素。预测结果见表1，通过误差比较，确定最佳输入因素。

在模型1的基础上确定模型(2－7)，模型2是输入因素去掉水分后构建的，模型(3－7)依次去掉除水分外的特征因素中的一个因素构建的。由表1可知:模型(2、6)相对于模型1，其平均相对误差和最大相对误差均变大，表明预测效果变差，即水分和Var与发热量有较好相关关系;而模型(4、5)平均相对误差和最大相对误差均变小，说明其预测效果变好，即Sar和Har与发热量相关性差;模型(3、7)的平均相对误差和最大相对误差有细微变化，即预测效果有细微变化，需进一步确定灰分和碳含量与发热量的相关关系。

模型(8)输入因素为Mt，Mad和Var，检测样本的预测结果误差分析见表2。