MIV-PSO-BP神经网络在煤炭发热量预测中的应用

"基于MIV特征选择与PSO-BP神经网络的煤炭发热量预测-论文" 本文主要探讨了如何提高煤炭发热量预测的精度和适用范围，针对传统线性回归模型在这一问题上的局限性。研究中，作者采用了一种结合平均影响值(MIV)特征选择方法与粒子群优化算法(PSO)改进的反向传播(BP)神经网络模型，即MIV-PSO-BP神经网络，以实现煤炭发热量的非线性预测。 首先，研究者深入分析了煤炭的工业分析和元素分析指标与发热量之间的线性相关性。他们发现，在所有指标中，灰分和碳含量是与发热量有显著线性关系的两个因素，而其他指标如氢、氧、氮等与发热量的线性相关性较弱。在工业分析指标中，灰分、挥发分和固定碳对发热量的影响也较大；而在元素分析中，碳含量的影响尤为突出，其他元素则影响较小，甚至可以忽略。 然后，文章介绍了平均影响值(MIV)方法，这是一种用于特征选择的技术，它能评估各个变量对目标变量的影响程度。通过MIV方法，研究者筛选出对发热量预测最有贡献的特征变量，从而减少了输入数据的冗余，提高了预测模型的效率。 接下来，结合粒子群优化算法(PSO)优化BP神经网络，解决了传统BP网络容易陷入局部最优的问题。PSO是一种全局优化算法，能够搜索更广阔的解决方案空间，找到更优的神经网络权重和阈值，从而提高预测精度。 实验结果显示，提出的MIV-PSO-BP神经网络模型相较于其他研究者提出的发热量预测模型，具有更低的平均相对误差和均方根误差，预测效果更佳。该模型的相关系数最高可达98.48%，表明其在煤炭发热量预测上具有较高的准确性。 这项研究对煤炭行业的能源评价和利用具有重要意义，为煤炭质量评估和优化燃烧提供了科学依据，有助于提高煤炭资源的利用效率和环保性能。同时，该方法也可以为其他领域的非线性预测问题提供参考和借鉴。 引用格式:李大虎,李秋科,王文才,曹钊,荣令坤,贾风军.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. 关键词:发热量, 预测, 神经网络, 变量筛选