学术论文

为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。采用平均影响值（MIV）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。研究结果表明，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，而其余指标的线性相关性较弱。

在煤的工业分析中，灰分、挥发分和固定碳3个指标对发热量的影响较大，而元素分析中仅碳含量对发热量影响显著，其余指标对发热量的影响可以忽略不计。与其他研究者提出的发热量预测模型相比，MIV特征变量选择与PSO-BP神经网络相结合的方法表现出更低的平均相对误差和均方根误差，总体预测效果显著提升，相关系数最高可达98.48%。