基于MIV特征选择与PSO BP神经网络的煤炭发热量预测 论文

为了克服传统线性回归模型对煤的发热量预测精度低、适用范围窄的缺陷，研究者综合考察了工业分析和元素分析指标与煤的发热量的线性相关性。通过采用平均影响值方法，对影响发热量的煤质指标进行特征变量筛选，并结合粒子群优化算法（PSO）对传统BP神经网络进行优化，提出了一种基于MIV-PSO-BP神经网络方法的煤炭发热量非线性预测方法。

结果表明：

• 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弱。

• 工业分析中，灰分、挥发分、固定碳3个指标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，其余指标对发热量的影响可忽略不计。

与其他研究者提出的发热量预测模型相比，提出的MIV特征变量选择与PSO-BP神经网络相结合的方法具有明显优势。平均相对误差和均方根误差更低，总体预测效果更好，相关系数最高可达98.48%。这一结果不仅验证了模型的优越性，还为煤炭发热量的准确预测提供了新的思路。