生物质颗粒燃料特性主成分分析及热值预测

邵建均¹，杨国锋²

(1.浙江省农业生态与能源办公室，杭州310012；2.浙江大学生物系统工程与食品科学学院，杭州310058)

　　摘要：为了探寻生物质颗粒燃料工业分析成分及热值之间的相关关系，对生物质颗粒燃料进行综合评价，并用工业分析成分对热值进行预测，测试了36种生物质颗粒燃料的基础特性。结果表明，工业分析成分的4个指标之间存在着线性关系，挥发分与其他指标之间存在负相关关系；提取的两个主成分的方差累计贡献率高达85.97%，在这两个主成分中，挥发分在第1主成分中所占的权重最大，灰分在第2主成分中的权重最大。利用多元线性回归模型建立的生物质颗粒燃料热值预测模型，外部验证的标准差SEP为0.185kJ/g，相对标准差ＲSD为1.02%，该预测模型可靠性较高。

　　0引言

　　中国是农业大国，林业和秸秆资源丰富，据统计每年产生的秸秆约8亿t，利用秸秆和木屑等农林废弃物制得的生物质颗粒燃料是一种典型的固体成型燃料，具有高效、清洁、点火容易和CO₂零排放等优点，可替代煤炭等化石燃料用于室内保温、炊事等^[1-2]。近年来，资源浪费和环境污染造成了雾霾等严重影响人们日常生活的后果，政府等相关部门对环境污染问题高度重视，要求逐渐取缔排放严重的燃煤小锅炉等相关的政策，加速了生物质颗粒燃料相关产业的迅速发展。工业分析成分是生物质颗粒燃料热化学工程技术中一项重要的指标，为评价生物质颗粒燃料性能品质提供合理的参考依据。工业分析成分的主要指标有含水率、挥发分、灰分和固定碳，其中挥发分和固定碳是可燃组分，含水率和灰分是不可燃组分^[3-4]。主成分分析可以将多个相互关联的数量性状综合为少数几个主成分，通过对变量之间的相关系数矩阵内部结构的研究，找出数目较少且能控制所有变量的主成分。如果所提取主成分的特征值能达到70%以上的贡献率，就可以用这几个主成分对事物的属性进行概括性分析，基本可以得出影响事物性质的主要因子^[5]。寻找与生物质颗粒燃料热值密切相关的工业分析指标，对生物质颗粒燃料的高效利用具有重要的意义。热值是衡量燃料质量最重要的指标，生物质颗粒燃料相比传统的生物质原料等具有高热值的农业工程生物环境与能源优点。生物质颗粒燃料热值的测定用氧氮法，测量过程烦琐、仪器价格昂贵并且需要专业的人员才能完成，存在变动范围大、测量精度低等缺点^[6]。

　　本文以生物质颗粒燃料为研究对象，采用主成分分析方法探讨含水率、挥发分、灰分和固定碳4个工业成分之间的相关关系，并构建基于工业分析成分的高位热值模型，旨在为秸秆能源化利用和快速检测热值技术的研发提供可靠的依据。

　　1材料与方法

　　1.1试验材料

　　试验中涉及的36个生物质颗粒燃料样品均来自嘉善联成生物质能源科技有限公司，样品呈圆柱状，直径5～8mm，长度30～40mm。将样品粉碎后装入密封袋中，贴上标签，放在干燥皿中保存备用。

　　1.2试验仪器

　　101-3AB型电热鼓风干燥箱(上海精宏仪器有限公司)；SXL1000型马弗炉(上海精宏仪器公司)；AUY220(UniBloc)型电子分析天平(最大量程：220g，精度：0.1mg，日本岛津公司)；5E-C5508型氧弹量热仪(长沙开元仪器公司)。

　　1.3测定方法

　　样品的水分(M)、挥发分(V)、灰分(A)和固定碳(C)含量的测定采用GB/T28731—2012《固体生物质燃料工业分析方法》，每个样品做3组平行，取平均值。秸秆样品的热值按照GB/T30727—2014《固体生物质燃料发热量测定方法》，每个样品做3组平行，取平均值。

　　1.4数据处理与分析方法

　　主成分分析：用SPSS17.0软件对数据进行主成分分析，将数据进行标准化处理后，做因子分析，得到主成分的方差贡献表，选择主成分数，一般要求累计贡献率达到85%以上，保证综合变量能包括原始变量的绝大多数信息；根据软件给出的成分矩阵表，求出不同变量相应的主成分特征向量，特征向量和标准化数据的乘积即为变量的主成分负荷量，可得不同样品的主成分得分^[7]。

　　本文采用不同的回归方法构建模型，以决定系数Ｒ2、预测标准差SEP和相对标准差ＲSD等评价指标对模型进行内部检验和外部验证，考察模型预测的准确度^[8]。

　　2结果与分析

　　2.1主成分分析

　　主成分相关矩阵的特征值﹑方差贡献率及累积贡献率如表1所示，第1成分方差贡献率最大，为62.207%，第2成分次之，为23.763%，这两个成分的累计贡献率达到85.97%，已经包含了绝大多数的信息量，因此取前两个特征值为主成分^[9]。4种工业分析成分的主成分载荷矩阵如表2所示，其中对第1主成分贡献由大到小依次为挥发分、含水率、灰分、固定碳，对第2主成分贡献率由大到小依次为灰分、固定碳、含水率、挥发分。工业分析各指标间的相关矩阵如表3所示，其中挥发分和其他3个指标含水率、灰分、固定碳均存在负相关关系，并且挥发分与灰分之间的负相关关系最大；含水率、灰分、固定碳之间存在正相关关系，含水率和固定碳之间的正相关关系最强。

　　2.2预测模型的建立

　　将36个样品全部用于建模。根据表3可知挥发分与其他3个指标之间存在严重的负相关关系，共线性统计量中的容差几乎为0，所以剔除变量挥发分，采用基于含水率、灰分和固定碳3个指标建立二元线性回归方程。

　　由表4可以得到回归方程的显著性差异为0.003＜0.05，达到了极显著水平，所以可以进行拟合。表5显示了拟合结果中各指标的拟合系数及显著性检验，因为固定碳的显著性检验在0.1水平上不显著，所以在进行拟合时将其舍去，只保留常数项、含水率及灰分等3项，采用多元线性回归方法得到的预测模型如下。

　　为了检验多元回归模型的预测精度，采用10个样品对模型进行外部验证，验证评价指标结果如表6所示。由表6可知，预测模型的预测标准差为0.15kJ/g，相对标准差为1.02%，说明预测模型验证的精确度较高，满足在实际应用检测中的标准要求。结果表明，建立的热值(Q)模型可以用于生物质颗粒燃料热值的预测。

　　3结论

　　(1)主成分分析发现，工业成分的4个指标之间存在着线性关系，挥发分与其他指标之间存在线性负相关关系；提取的两个主成分的方差累计贡献率高达85.97%，挥发分在第1主成分中所占的权重最大，并且与其他指标呈负相关关系，灰分在第2主成分中的权重最大，同样与其他指标之间呈负相关关系。

　　(2)利用多元线性回归模型建立的生物质颗粒燃料的热值预测模型，外部验证的标准差SEP为0.15kJ/g，相对标准差ＲSD为1.02%，说明采用多元线性回归方法建立的热值预测模型具有可靠的预测性。

　　参考文献

　　[1]熊先青，钱少平，盛奎川，等.基于工业分析/元素分析和可见－近红外光谱预测农作物秸秆高位热值[J].光谱学与光谱分析，2017，37(5)：1622-1627.

　　[2]傅晓燕，严伟.农作物秸秆基础特性的主成分分析[J].农业工程，2016，6(3)：30-33.

　　[3]QIAN Shaoping，YAN Wei，YANG Guofeng，et al.Estimation of gross calorific value of rice straw from proximate and ultimate analysis using artificial neural network[J].International Agricultural Engi-neering Journal，2014，24(2)：119-225.

　　[4]皇才进，韩鲁佳，刘贤，等.基于近红外光谱技术的秸秆工业分析[J].光谱学与光谱分析，2009，29(4)：960-963.

　　[5]王开源.城市生活垃圾热值计算模型研究[D].武汉：华中科技大学，2007.

　　[6]Antanasijevic'D Z，Ｒistic'M ，Peric' -Grujic 'A A，et al.Forecas-ting GHG emissions using an optimized artificial neural network mod-el based on correlation and principal component analysis[J].Inter-national Journal of Greenhouse Gas Control，2014，20(5)：244-253.

　　[7]李朝峰，杨中宝.SPSS 主成分分析中的特征向量计算问题[J].统计教育，2007(3)：10-11.

　　[8]皇才进，刘贤，杨增玲，等.秸秆热值近红外光谱模型的外部验证结果间的统计比较分析[J].光谱学与光谱分析，2009，29(5)：1264-1267

　　[9]何勇，李晓丽，邵咏妮.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析，2006，26(5)：850-853.