支持向量機預測發熱量研究

■李子文 ■六盤水師范學院化學與化學工程系，貴州 六盤水 553004

在中國，煤炭支撐著國民經濟發展，其仍然占據一次能源主導地位，份額高達67.5%。2013年煤炭消費為19.25億噸油當量，占世界煤炭消費量的50.3%［1］。因此隨著煤炭的不斷消耗，煤炭資源越來越少。因此對于現有的煤炭資源要充分利用好。煤炭燃燒時，煤炭的發熱量的高低，決定在利用時是否能滿足要求，發熱量高會形成浪費，發熱量低又達不到要求。提前準確的預測煤炭的發熱量尤為重要。

1 發熱量

1.1 預測發熱量的必要性

煤的發熱量也稱煤的熱值，是指單位質量的煤完全燃燒后釋放出的熱量。煤的發熱量不僅是評價動力用煤及動力配煤質量的一個重要指標，而且是評價動力用煤的一項重要經濟參數，以發熱量計價能較準確地反映煤炭的使用價值。但是，對測定發熱量的環境條件和操作人員的專業水平要求較高，測試儀器的維護難度較大，且測定發熱量需要的時間較長，測定結果滯后，因此，對煤的發熱量進行準確預測對于煤炭企業來說有重要的使用意義［2］。

1.2 影響發熱量的因素

煤中的水分在燃燒時吸收發熱量而蒸發，帶走部分熱量;煤燃燒時，煤中有的礦物質會吸熱分解，因此這些礦物質含量越高，其熱解所吸收的熱量也越多，通常每增加1%的灰分，發熱量降低300－380J/g［3］;揮發分對發熱量的影響隨煤種的不同而不同［4］;不同成煤環境形成的煤，具有相同變質程度，其發熱量也會有所差異［5］。

2 支持向量機預測煤炭發熱量

2.1 支持向量機

支持向量機(Support Vector Machine，SVM)是 Corinna Cortes和Vapnik等于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。由于支持向量機具有以上優勢，顧采用其構建發熱量預測模型［6］。

2.2 支持向量機構建發熱量預測模型

模型構建的原始數據來源于曹建波等的《神經網絡應用于煤質發熱量預測分析》［7］中的數據，其中32組數據作為訓練樣本，7組數據作為檢驗樣本;因此模型的輸入因素由影響因素決定，顧可分別為全水分(Mt)、空氣干燥基水分(Mad)、收到基灰分(Aar)、收到基硫分(Sar)、空氣干燥基氫含量(Had)、收到基揮發分(Var)和空氣干燥基碳含量(Car)7個因素;煤的恒容高位發熱量就作為模型輸出目標。

根據不同的輸入因素、相同的輸出因素，應用支持向量機構建不同的發熱量預測模型。其中模型1的輸入因素是上述的7個因素，該模型預測結果的誤差分析見圖1和表1所示。

表1 模型(1－7)檢測樣本預測結果誤差分析表

模型1訓練樣本的相對誤差最大為1.81%，能比較精確地樣本做出了預測;從表1可知，其檢測樣本的平均相對誤差為0.74%，最大相對誤差為1.76%。由此表明，預測誤差在允許范圍內。

圖1是訓練樣本和檢測樣本的實測值與預測值關系曲線，由圖可知預測值與實測值均比較接近y=x這條曲線兩側，表明實測值與預測值較接近。為進一步確定上述7因素與發熱量的關系，在模型1基礎上，重新設計了6組模型的輸入因素。預測結果見表1，通過誤差比較，確定最佳輸入因素。

在模型1的基礎上確定模型(2－7)，模型2是輸入因素去掉水分后構建的，模型(3－7)依次去掉除水分外的特征因素中的一個因素構建的。由表1可知:模型(2、6)相對于模型1，其平均相對誤差和最大相對誤差均變大，表明預測效果變差，即水分和Var與發熱量有較好相關關系;而模型(4、5)平均相對誤差和最大相對誤差均變小，說明其預測效果變好，即Sar和Har與發熱量相關性差;模型(3、7)的平均相對誤差和最大相對誤差有細微變化，即預測效果有細微變化，需進一步確定灰分和碳含量與發熱量的相關關系。

模型(8)輸入因素為Mt，Mad和Var，檢測樣本的預測結果誤差分析見表2。

表2 模型(8－11)檢測樣本預測結果誤差分析表

表2中，模型8的檢驗樣本的平均相對誤差和最大相對誤差分別為2.60%和7.25%，與模型(3、7)對比可見，灰分和碳含量與發熱量有較好的相關性。

模型(9、10)分別以水分、灰分、揮發分及水分、碳含量、揮發分分別為輸入因素，預測結果見表2。其模型10的平均相對誤差和最大相對誤差分別為0.41%和0.94%，預測效果好;模型9的平均相對誤差和最大相對誤差分別為0.94%和2.00%，均大于模型10的，其預測效果沒模型10好。

模型11的輸入因素為M.、Var、Cad，用于考察內水對發熱量的影響。其預測結果見表4，表中相對誤差增大，可見發熱量與內水相關性較好。綜上得，發熱量預測模型的輸入因素可確定為Mt、Mad、Var和Cad，即最佳的模型即為模型10。

2.3 支持向量機與神經網絡對比

由上知，模型10是支持向量機構建的最佳預測模型。其與神經網絡構建的模型對比，見表3和圖2所示。

表3 支持向量機與神經網絡對比分析表

由表3和圖2知，模型10的最大相對誤差為0.94%，平均相對誤差為0.41%，均小于神經網絡預測結果的最大相對誤差值2.14%和平均相對誤差值1.09%。其t檢驗值也小于神經網絡預測的，也小于標準t臨界值2.447，由此表明，兩種預測方法均可行，模型10預測結果更為準確。

3 結論

綜上可得:(1)支持向量機構建發熱量預測模型是可行的;(2)該模型的輸入因素為Mt、Mad、Var、Cad;(3)支持向量機預測發熱量的預測效果好于神經網絡;(4)為其它煤質指標的預測提供了一種嘗試途徑。

［1］2014年世界能源統計年鑒.

［2］梅曉任.基于SPSS的煤質發熱量相關因素分析及其回歸模型研究［J］.煤炭科技，2011.07，37(7):88 －91.

［3］周翠紅.線性回歸與神經網絡預測煤炭發熱量［J］.煤炭科學技術，2009.12，37(12):117 －120.

［4］周洛.煤的干基高位發熱量與干基灰分、干基揮發分關系的研究［J］，檢驗檢疫科學，2000，10(6):20 －22.

［5］陳洪博.煤的發熱量與水分、灰分的關系研究［J］.煤質技術，2010.07，4∶26 －28.

［6］鄧乃揚.支持向量機—理論、算法與拓展［M］.北京:科學出版社.2009.

［7］曹建波.神經網絡應用于煤質發熱量預測分析［J］.工業技術，2010，30∶97 －98.