[发明专利]一种基于主元回归的煤灰烧结温度预测方法

说明书

本发明公开了一种基于主元回归的煤灰烧结温度预测方法，包括：1)收集煤灰烧结试验历史数据；2)采用无用信息变量消除法对变量进行选择，去除对煤灰烧结温度无用信息的变量，降低无关信息对预测模型的影响，提高模型的预测精度，另外变量数目的减少同时提高运算的效率；3)主元回归模型的建立，将煤质化验数据作为模型的输入变量，煤灰烧结温度作为模型的输出变量，将两者建立起一一对应的映射关系，利用得到的最佳主成分数建立主元回归模型，建立的预测模型为4）将煤质化验数据代入模型中，得到预测值本发明根据煤种全分析数据和煤灰成分分析数据建立预测模型，预测其他煤灰初始烧结温度。

技术领域

本发明属于动力用煤结渣、沾污特性指标煤灰烧结温度的预测方法，具体的说是一种基于主元回归的煤灰烧结温度预测方法。

背景技术

锅炉结渣、沾污影响锅炉运行的经济性、环保性和安全性，严重是会影响锅炉正常运行，甚至会发生安全生产事故。当前判断锅炉锅炉结渣和粘污的指标有灰熔点、结渣指数、碱金属含量、沾污指数、煤灰烧结温度等，对高碱煤煤灰初始烧结温度判别结渣、沾污特性非常有效。

煤灰初始烧结温度用来表征煤灰在锅炉对流受热面上沾污的强弱属性，煤灰的初始烧结温度ts值用来判断煤灰的沾污特性。初始烧结温度越低，表明煤灰的沾污特性越强；初始烧结温度越高，表明煤灰的沾污特性越弱。

目前采用试验室试验的方法，将满足一定煤粉细度要求的煤样，在设定温度下灰化并按照要求进行筛分后得到煤灰样品；在不同温度下进行煤灰烧结比例的测定，根据测定结果绘制煤灰烧结比例曲线并计算得到煤灰初始烧结温度。试验结果受灰化条件和试验条件的影响较大。

针对多变量统计方法在实际生产过程中的应用，学者们进行大量研究，目前常用的方法有BP神经网络在建立模型和多元统计回归等，BP神经网络应用相对广泛，但是本预测模型试验历史数据量较小，利用BP神经网络等型进行预测时，预测准确性较差。

发明内容

针对现有的测量技术的局限，本发明的目的是提供一种基于主元回归的煤灰烧结温度预测方法，该方法根据煤种全分析数据和煤灰成分分析数据建立预测模型，预测其他煤灰初始烧结温度。

本发明采用如下技术方案来实现的：

一种基于主元回归的煤灰烧结温度预测方法，包括以下步骤：

1)收集煤灰烧结试验历史数据，其中数据包含煤质工业分析、元素分析和煤灰烧结温度试验数据；

2)采用无用信息变量消除法对变量进行选择，去除对煤灰烧结温度无用信息的变量，降低无关信息对预测模型的影响，提高模型的预测精度，另外变量数目的减少同时提高运算的效率；

3)主元回归模型的建立，将煤质化验数据作为模型的输入变量，煤灰烧结温度作为模型的输出变量，将两者建立起一一对应的映射关系，利用得到的最佳主成分数建立主元回归模型，建立的预测模型为

4)将煤质化验数据代入模型中，得到预测值

本发明进一步的改进在于，步骤1)中，对不同煤种分别进行m次试验，得到m组输入输出数据，输入数据选取试验煤种的全分析数据和灰成分分析数据，共33个变量，得到输入数据矩阵X和输出数据矩阵Y，预测模型输出变量为煤灰初始烧结温度，X是m×33的矩阵，Y是m×1的矩阵。

本发明进一步的改进在于，输入变量选取如表1所示：

表1预测模型输入变量

本发明进一步的改进在于，步骤2)中，采用无信息变量对煤灰烧结温度预测模型的变量进行筛选，筛除对煤灰烧结温度建模和回归分析无关的变量信息。

本发明进一步的改进在于，步骤2)的具体实现方法如下：