摘要：目前应用较多的煤炭发热量预测模型主要以传统的线性回归模型为主,且大多以灰分、挥发分、固定碳等工业分析数据为主,而较少考虑元素分析指标对发热量预测效果的影响。因此,此类方法存在对煤的发热量预测精度低、适用范围窄的缺陷。本文基于我国不同地域的60组煤质分析样本,同时考虑工业分析和元素分析指标对发热量的影响,采用平均影响值法(Mean Impact Value,MIV)和粒子群算法(Particle Swarm Optimization,PSO)相结合的方法,对影响煤炭发热量的指标进行特征变量筛选,并结合支持向量回归方法(Support Vector Regression,SVR)对煤炭发热量进行非线性建模和预测。结果表明:对于我国不同地域的60组煤炭样本,煤的工业分析和元素分析指标中,仅灰分、碳含量与发热量之间存在一定的线性相关性,其余指标与发热量的线性相关性较差,煤的发热量预测应优先考虑非线性建模方法。经特征变量筛选后发现,煤的工业分析指标中水分、灰分和挥发分三者对发热量的影响均较大,而元素分析中仅碳含量对发热量影响较为显著;以影响显著的4个指标为特征变量进行发热量预测,SVR方法对煤发热量的预测精度显著提高,相关系数达0.9827%,远高于其他线性回归模型。同时,不同发热量模型预测结果也表明,煤炭样本来源地域越接近,各方法预测精度差异越小,应依据样本地域差异选取合适的预测方法。

关键词：发热量 预测 svr 特征变量 

单位：内蒙古科技大学矿业与煤炭学院; 内蒙古包头014010; 中国矿业大学(北京)化学与环境工程学院; 北京100083