基于SC-XGBoost的电站燃煤低位发热量软测量方法

作     者：乔世超 王轶男 吕佳阳 陈衡 刘涛 徐钢 翟融融 QIAO Shichao;WANG Yi’nan;LYU Jiayang;CHEN Heng;LIU Tao;XU Gang;ZHAI Rongrong

作者机构：华北电力大学北京102206 北京国电通网络技术有限公司北京100086 

出 版 物：《煤炭科学技术》 (Coal Science and Technology)

年 卷 期：2024年第52卷第S1期

页      面：332-340页

核心收录：

学科分类：081902[工学-矿物加工工程] 0819[工学-矿业工程] 08[工学] 

基　　金：国家自然科学基金面上资助项目(52276006) 

主　　题：低位发热量 机器学习 谱聚类 极致梯度提升(XGBoost) 软测量 

摘      要：随着国家大力推进能源供给侧结构性改革,新能源装机容量不断提升,电力市场竞争愈加激烈。另一方面,全球煤炭市场的复杂多变,导致以煤炭为能量来源的发电企业成本上涨。燃煤发热量是衡量煤质的重要评价标准之一,也是采购煤炭最重要的依据,对燃煤发热量进行准确预测能够有效地控制电厂运行采购成本。为了实现燃煤发热量的高效预测,采用Pearson系数对相关变量进行特征选取,采用基于密度的噪点空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法对某电厂自备煤厂近2年1733条化验数据进行去噪,对去噪后数据进行谱聚类(Spectral Clustering,SC)分析。将分类后的子样本集采用极致梯度提升(Extreme Gradient Boosting,XGBoost)算法分别建立预测模型,并与最小二乘法回归(Ordinary Least Squares,OLS)、支持向量机(Support Vector Machines,SVM)模型进行性能比较。结果表明,基于XGBoost的电站燃煤发热量预测模型相较于其他算法准确性有明显提升,泛化能力更强。对经过SC算法分类后的燃煤分别建立预测模型能够进一步提高模型的精细化水平,为燃煤电站发热量预测提供一种可靠高效的方法。