APP下载

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
关键词:发热量灰分煤炭

■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。

表2 模型(8-11)检测样本预测结果误差分析表

表2中,模型8的检验样本的平均相对误差和最大相对误差分别为2.60%和7.25%,与模型(3、7)对比可见,灰分和碳含量与发热量有较好的相关性。

模型(9、10)分别以水分、灰分、挥发分及水分、碳含量、挥发分分别为输入因素,预测结果见表2。其模型10的平均相对误差和最大相对误差分别为0.41%和0.94%,预测效果好;模型9的平均相对误差和最大相对误差分别为0.94%和2.00%,均大于模型10的,其预测效果没模型10好。

模型11的输入因素为M.、Var、Cad,用于考察内水对发热量的影响。其预测结果见表4,表中相对误差增大,可见发热量与内水相关性较好。综上得,发热量预测模型的输入因素可确定为Mt、Mad、Var和Cad,即最佳的模型即为模型10。

2.3 支持向量机与神经网络对比

由上知,模型10是支持向量机构建的最佳预测模型。其与神经网络构建的模型对比,见表3和图2所示。

表3 支持向量机与神经网络对比分析表

由表3和图2知,模型10的最大相对误差为0.94%,平均相对误差为0.41%,均小于神经网络预测结果的最大相对误差值2.14%和平均相对误差值1.09%。其t检验值也小于神经网络预测的,也小于标准t临界值2.447,由此表明,两种预测方法均可行,模型10预测结果更为准确。

3 结论

综上可得:(1)支持向量机构建发热量预测模型是可行的;(2)该模型的输入因素为Mt、Mad、Var、Cad;(3)支持向量机预测发热量的预测效果好于神经网络;(4)为其它煤质指标的预测提供了一种尝试途径。

[1]2014年世界能源统计年鉴.

[2]梅晓任.基于SPSS的煤质发热量相关因素分析及其回归模型研究[J].煤炭科技,2011.07,37(7):88 -91.

[3]周翠红.线性回归与神经网络预测煤炭发热量[J].煤炭科学技术,2009.12,37(12):117 -120.

[4]周洛.煤的干基高位发热量与干基灰分、干基挥发分关系的研究[J],检验检疫科学,2000,10(6):20 -22.

[5]陈洪博.煤的发热量与水分、灰分的关系研究[J].煤质技术,2010.07,4∶26 -28.

[6]邓乃扬.支持向量机—理论、算法与拓展[M].北京:科学出版社.2009.

[7]曹建波.神经网络应用于煤质发热量预测分析[J].工业技术,2010,30∶97 -98.

猜你喜欢

发热量灰分煤炭
曹家滩煤灰分和水分对发热量影响的理论与实验研究
基于灰分回控的智能密度控制系统在寨崖底选煤厂的应用
灰分在线检测对选煤智能化建设作用的思考
消除煤炭:是时候将煤炭载入史册了 精读
电厂燃煤虚拟采样及发热量均值不确定度评定
潘集选煤厂重介灰分控制系统的开发与应用
不同重量僵蚕总灰分含量的比较研究
煤炭
Effect of moxibustion combined with acupoint application on enteral nutrition tolerance in patients with severe acute pancreatitis
煤炭:去产能继续 为煤炭正名