多元线性回归模型在火电厂煤炭质量监督中的应用

多元线性回归 模型在火电厂煤炭 质量监督中的应用

赵子钧

内蒙古大唐国际托克托发电有限责任公司

摘要：为全面打造数字化燃料、智慧化电厂，本文利用公司“数字燃料”管控平台大量的化验数据，联系各个分析项目、燃煤的物理特性与发热量之间的关系，利用Excel建立模块化的发热量回归模型及预测模型，成为火电厂燃料创新发展的助推器。

0 引言

传统的燃料管理及业务流程在当前的社会发展中渐显不足，因此必须推进数字化的智慧燃料建设，充分利用大量的燃料数据，建立模块化的数据模型，挖掘燃料数据价值，将化验信息与煤质监督手段相结合，建立数学模型，从燃料生产现场煤质监督和煤化验室着手，全面提升企业风险防控能力。

1 入厂煤发热量预测模型的建立

入厂煤发热量预测模型利用直观、简单的物理因素，如光泽、矸石含量、粒度组成等，并且分析各因素与发热量的相关关系，同时与历史发热量相结合，建立发热量预测数据库并进行统计分析，得到发热量预测模型，应用到燃料生产现场进行煤质精准预测，对入厂燃煤达到准确预警。

1.1 煤的物理特征与发热量之间的关系

对于燃料生产现场的煤质监督，主要使用传统的“肉眼识煤”技能，该方法主要利用煤的物理性质与煤化程度之间的关系。煤中矿物质含量越高，煤的光泽越暗；风化程度越深，煤的光泽也越暗，直到光泽完全消失。可在构建评分系统时可将颜色与光泽相结合进行评价，将颜色按照煤炭的煤质变化程度从低到高给出0-100分的评分，表1为入厂煤光泽或颜色、评分及热值的对应表。

表1 光泽（颜色）与热值对应表

1.2 矸石含量与发热量之间的关系

对于同一矿区生产的煤炭，其矸石含量直接影响到灰分含量，也直接影响到煤炭发热量，通过现场进行洗煤，可通过掺配不同的矸石含量的煤样进行制样化验，从而得出矸石含量与收到基低位发热量之间的关系，如图1所示。

图1 矸石含量与发热量之间的关系

从图中可以看出，矸石含量与收到基低位发热量呈现明显的负线性相关关系，可将矸石含量作为对此项目的评分，根据评分拟合发热量经验公式。

1.3 洗选煤不同粒度含量与发热量的关系

在煤炭开采过程中，会因煤层结构的复杂性或开采的不可避免性，在开采出的原煤中混入许多杂质，极大程度上提高了煤炭灰分，降低了煤炭品质。供应商会通过调整不同品质煤炭的掺配比例以达到合同要求。

为验证洗选煤装载不同粒度比例与收到基低位发热量之间的关系，选取某洗选煤煤矿进行试验，得到的结果如图2所示。

图2 <50mm洗精煤比例与发热量的关系

1.4 模型建立

Excel 2010版本中的回归分析、t检验、F检验等功能在燃料采制化工作中非常实用，将所选取的批次化验数据进行处理，经统计分析建立多元线性回归数学模型。

拟合结果发现，此复线性相关系数R为0.9400，F检验统计值远小于0.05，各系数的P值都小于0.05，因此该多元线性回归模型有很好的相关关系。

在本文所举的洗选煤模型拟合的例子中，令矸石含量评分为X₁、光泽/颜色评分为X₂、洗精煤（大粒度）含量X₃，拟合出的公式如下：

Q_net,ar=11.4526-0.0544X₁+0.0730X₂+0.0520X₃

用此公式对进行拟合的数据进行核验，未超0.30MJ/kg的比例可达到92%。

2 化验室发热量经验公式的建立

2.1 数据选取原则

煤的工业分析和元素分析是煤化验室最基本的化验项目，也是最能反映煤质特性的主要指标和评价煤质的基本依据。

在工业分析指标中，水分是煤炭质量评价的重要指标，与灰分同为不可燃物，两者的含量决定了煤中可燃物的多少。全水分（M_t）每增加1%，收到基低位发热量（Q_net,ar

）降低（250～335）J/g，因此全水分是建立多元线性回归模型的关键指标。煤中灰分是煤质特性研究中有重要作用的其中一个指标，灰分的大小决定了煤中的矿物质含量。同一矿区生产的煤炭产品，灰分与发热量呈明显的负线性相关关系。

煤的挥发分产率与煤的变质程度有密切关系，是划分煤种的主要指标之一，干燥无灰基挥发分（V_daf）小于28%，随着V_daf增高，其粘结性降低，干燥无灰基高位发热量（Q_gr,daf）降低；V_daf大于28%时，在无烟煤之前，Q_gr,daf随V_daf的增加降低并不明显，在无烟煤阶段，随V_daf增加降低较明显。在元素分析指标中，全硫作为最重要的环保指标，是合同条款中非常重要的煤质指标，且其测定方法为国标方法，方便快捷，准确度高。

综上所述，发热量经验公式可选用全水分（M_t）、干燥基灰分（A_d）、干燥无灰基挥发分（V_daf）和干基全硫（S_t,d）进行拟合，初步建立多元线性回归方程。

2.2 发热量拟合模型的建立

为确保所建立模型的准确度最高、实用性最强，则根据煤炭形成的区域、地理条件和煤质变化规律；根据生产工艺，对不同矿点利用同种洗选工艺生产的煤炭产品再建立一条发热量经验公式。本文使用Excel的回归分析得出该洗选煤化验结果拟合出的收到基低位发热量多元线性回归方程为：

Q_net,ar=30.0560-0.2363M_t-0.1809S_t,d-0.3280A_d+0.0170V_daf

2.3 多元线性回归模型准确性验证

对所建立的发热量多元线性回归方程进行准确度评价，将上一月相同煤炭产品的30批次入厂煤化验结果代入模型中进行计算，并与实测值进行对比，结果如图3所示。

图3 发热量实测值与计算值对比

由图可知，该收到基低位发热量回归模型对同类型入厂煤的预测值与实际化验结果的差值普遍分布在（-0.04～0.04）MJ/kg之间 ，误差较小，且为超过GB/T 213-2008《煤的发热量测定方法》中的重复性限（0.12MJ/kg）和再现性临界差（0.30MJ/kg），初步说明此方程在95%的置信概率下具有较高的准确度水平。

3 结论

3.1 提供有效的化验数据审核手段

通过建立各个发电企业特有的发热量经验公式，可为审核数据工作人员提供审核数据的依据，管理人员可及时发现各项化验操作中存在的问题，可有效提高化验结果准确性。也可利用发热量经验公式判断化验结果的系统误差，有效提高化验结果的准确度，避免因化验结果误差造成企业损失。

3.2 提高煤质监督的时效性

本文以供应品种为洗选煤利用矸石含量、光泽（颜色）、洗选煤中洗精煤含量这些尽量简单并能够进行及时判断的因素进行建立发热量预测模型，可达92%的准确度，很大程度上提高了现场煤质监督工作的时效性和准确性。因入厂煤种类较多，各发电企业需因地制宜，对各个供应商建立具有针对性的发热量预测模型，提高煤质监督力度，有效打击不法供应商掺杂使假的行为。

参考文献

[1] 方文沫.燃料分析技术问答[M].北京:中国电力出版社,2014.

[2] 李英华.煤质分析应用技术指南[M].北京:中国标准出版社,2009.