基于改进自适应增强算法的混煤发热量预测方法

摘要

为解决传统多元线性回归（Multivariate linear regression, MLR）模型在煤炭发热量预测方面精度不足和适用性有限的问题，提出了一种基于改进自适应增强算法（Adaptive boosting, Adaboost）的煤发热量的预测模型。将随机森林（Random forest, RF）作为Adaboost的基学习器，以提高模型在工业煤质分析中的发热量预测精度和泛化能力。研究基于某电厂1万组入炉煤的工业分析数据，选取水分、挥发分、灰分和固定碳作为模型输入，建立煤炭低位发热量的预测模型。通过与传统的多元线性回归方程及其他非线性模型比较，模型展现出更高的预测精度和更好的泛化能力。大样本测试的实验结果表明，本模型的平均绝对百分比误差为0.541 7%，均方根误差为0.130 4 MJ/kg，拟合度（R²）达到0.979 9，其在煤炭发热量预测方面优于其他模型。此外，200组真实的混煤工业分析数据的模拟验证，进一步确认了本模型较优的泛化性能。

关键词

煤质工业分析 / 煤发热量 / 多元线性回归 / RF-Adaboost模型 / 基学习器