基于SSA-XGBoost模型的煤炭发热量预测Prediction of Coal Calorific Value Based on SSA-XGBoost Model
史亚来,杜孙稳
摘要(Abstract)：
煤炭发热量是衡量其能源利用效率的关键指标。针对煤炭发热量预测中传统模型预测精度低的问题，基于煤质样品化验数据，提出麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的极致梯度提升树（eXtreme Gradient Boosting,XGBoost）煤炭发热量预测模型。综合煤质工业分析和元素分析数据，考虑不同指标对发热量的影响，采用SSA算法对XGBoost的关键超参数（包括子采样参数、学习率、最大深度、种群大小、最大迭代次数等）进行自适应优化，解决人工调参的随机性问题，并与XGBoost、CNN-XGBoost和MLP进行预测性能的对比。结果表明：煤炭的工业分析和元素分析指标中A_d、C_(daf)和H_(daf)与煤的发热量相关性较高。此外，SSA-XGBoost模型的MSE、MAPE和R~2分别为0.93 MJ/kg、2.46%和0.88，显著优于对比模型。为煤炭科学配煤、燃烧工艺优化提供精准数据支撑。
关键词(KeyWords)： 煤炭发热量预测;煤质工业分析;煤质元素分析;SSA;XGBoost
基金项目(Foundation): 国家自然科学基金项目(U21A20107)
作者(Author): 史亚来,杜孙稳
参考文献(References)：
- [1]LI W. Quantitative Analysis of Calorific Value of Coal Based on Spectral Preprocessing by Laser-Induced Breakdown Spectroscopy(LIBS)[J]. ENERGY&FUELS,2018,32(1):24-32.
- [2]杜文博，常会珍.高煤阶煤的发热量及其预测模型研究[J].中国煤炭地质，2015,27(9):14-17.
- [3]帖呈.基于商品煤化验数据的煤炭发热量估算[J].山东煤炭科技，2022,40(5):207-209.
- [4]李大虎，李秋科，王文才，等.基于MIV特征选择与PSO-BP神经网络的煤炭发热量预测[J].煤炭工程，2020,52(11):154-160.
- [5]宋宜猛.基于工业分析预测煤质发热量研究[J].西安科技大学学报，2022,42(1):70-75.
- [6]乔世超，王轶男，吕佳阳，等.基于SC-XGBoost的电站燃煤低位发热量软测量方法[J].煤炭科学技术，2024,52(S1):332-340.
- [7]CHEN T, GUES C. XGBoost:A Scalable Tree Boosting System.Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data, 2016:785-794.
- [8]陈振宇，刘金波，李晨，等.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术，2020,44(2):614-620.
- [9]XUE J, SHEN B. A novel swarm intelligence optimization approach:sparrow search algorithm[J]. Systems Science&Control Engineering An Open Access Journal, 2020, 8(1):22-34.
- [10]中国国家标准化管理委员会.煤的工业分析方法：GB/T 212-2022[S].北京：中国标准出版社，2022:1-43.
- [11]中国国家标准化管理委员会.煤的元素分析：GB/T 31391—2015[S].北京：中国标准出版社，2015:1-9.
- [12]中国国家标准化管理委员会.煤的发热量测定方法：GB/T213—2008[S].北京：中国标准出版社，2008:1-27.
- [13]李霞.时序数据流上的缺失值填补关键技术研究[D].辽宁大连：大连海事大学，2022.
- [14]梁昌侯，龙华，李帅，等.基于四分位-MAD和朴素贝叶斯的风电数据处理方法[J].四川大学学报（自然科学），2024,61(3):167-177.