邵建均¹，楊國(guó)鋒²

(1.浙江省農(nóng)業(yè)生態(tài)與能源辦公室，杭州310012；2.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州310058)

　　摘要：為了探尋生物質(zhì)顆粒燃料工業(yè)分析成分及熱值之間的相關(guān)關(guān)系，對(duì)生物質(zhì)顆粒燃料進(jìn)行綜合評(píng)價(jià)，并用工業(yè)分析成分對(duì)熱值進(jìn)行預(yù)測(cè)，測(cè)試了36種生物質(zhì)顆粒燃料的基礎(chǔ)特性。結(jié)果表明，工業(yè)分析成分的4個(gè)指標(biāo)之間存在著線(xiàn)性關(guān)系，揮發(fā)分與其他指標(biāo)之間存在負(fù)相關(guān)關(guān)系；提取的兩個(gè)主成分的方差累計(jì)貢獻(xiàn)率高達(dá)85.97%，在這兩個(gè)主成分中，揮發(fā)分在第1主成分中所占的權(quán)重最大，灰分在第2主成分中的權(quán)重最大。利用多元線(xiàn)性回歸模型建立的生物質(zhì)顆粒燃料熱值預(yù)測(cè)模型，外部驗(yàn)證的標(biāo)準(zhǔn)差SEP為0.185kJ/g，相對(duì)標(biāo)準(zhǔn)差ＲSD為1.02%，該預(yù)測(cè)模型可靠性較高。

　　0引言

　　中國(guó)是農(nóng)業(yè)大國(guó)，林業(yè)和秸稈資源豐富，據(jù)統(tǒng)計(jì)每年產(chǎn)生的秸稈約8億t，利用秸稈和木屑等農(nóng)林廢棄物制得的生物質(zhì)顆粒燃料是一種典型的固體成型燃料，具有高效、清潔、點(diǎn)火容易和CO₂零排放等優(yōu)點(diǎn)，可替代煤炭等化石燃料用于室內(nèi)保溫、炊事等^[1-2]。近年來(lái)，資源浪費(fèi)和環(huán)境污染造成了霧霾等嚴(yán)重影響人們?nèi)粘Ｉ畹暮蠊认嚓P(guān)部門(mén)對(duì)環(huán)境污染問(wèn)題高度重視，要求逐漸取締排放嚴(yán)重的燃煤小鍋爐等相關(guān)的政策，加速了生物質(zhì)顆粒燃料相關(guān)產(chǎn)業(yè)的迅速發(fā)展。工業(yè)分析成分是生物質(zhì)顆粒燃料熱化學(xué)工程技術(shù)中一項(xiàng)重要的指標(biāo)，為評(píng)價(jià)生物質(zhì)顆粒燃料性能品質(zhì)提供合理的參考依據(jù)。工業(yè)分析成分的主要指標(biāo)有含水率、揮發(fā)分、灰分和固定碳，其中揮發(fā)分和固定碳是可燃組分，含水率和灰分是不可燃組分^[3-4]。主成分分析可以將多個(gè)相互關(guān)聯(lián)的數(shù)量性狀綜合為少數(shù)幾個(gè)主成分，通過(guò)對(duì)變量之間的相關(guān)系數(shù)矩陣內(nèi)部結(jié)構(gòu)的研究，找出數(shù)目較少且能控制所有變量的主成分。如果所提取主成分的特征值能達(dá)到70%以上的貢獻(xiàn)率，就可以用這幾個(gè)主成分對(duì)事物的屬性進(jìn)行概括性分析，基本可以得出影響事物性質(zhì)的主要因子^[5]。尋找與生物質(zhì)顆粒燃料熱值密切相關(guān)的工業(yè)分析指標(biāo)，對(duì)生物質(zhì)顆粒燃料的高效利用具有重要的意義。熱值是衡量燃料質(zhì)量最重要的指標(biāo)，生物質(zhì)顆粒燃料相比傳統(tǒng)的生物質(zhì)原料等具有高熱值的農(nóng)業(yè)工程生物環(huán)境與能源優(yōu)點(diǎn)。生物質(zhì)顆粒燃料熱值的測(cè)定用氧氮法，測(cè)量過(guò)程煩瑣、儀器價(jià)格昂貴并且需要專(zhuān)業(yè)的人員才能完成，存在變動(dòng)范圍大、測(cè)量精度低等缺點(diǎn)^[6]。

　　本文以生物質(zhì)顆粒燃料為研究對(duì)象，采用主成分分析方法探討含水率、揮發(fā)分、灰分和固定碳4個(gè)工業(yè)成分之間的相關(guān)關(guān)系，并構(gòu)建基于工業(yè)分析成分的高位熱值模型，旨在為秸稈能源化利用和快速檢測(cè)熱值技術(shù)的研發(fā)提供可靠的依據(jù)。

　　1材料與方法

　　1.1試驗(yàn)材料

　　試驗(yàn)中涉及的36個(gè)生物質(zhì)顆粒燃料樣品均來(lái)自嘉善聯(lián)成生物質(zhì)能源科技有限公司，樣品呈圓柱狀，直徑5～8mm，長(zhǎng)度30～40mm。將樣品粉碎后裝入密封袋中，貼上標(biāo)簽，放在干燥皿中保存?zhèn)溆谩?/p>

　　1.2試驗(yàn)儀器

　　101-3AB型電熱鼓風(fēng)干燥箱(上海精宏儀器有限公司)；SXL1000型馬弗爐(上海精宏儀器公司)；AUY220(UniBloc)型電子分析天平(最大量程：220g，精度：0.1mg，日本島津公司)；5E-C5508型氧彈量熱儀(長(zhǎng)沙開(kāi)元儀器公司)。

　　1.3測(cè)定方法

　　樣品的水分(M)、揮發(fā)分(V)、灰分(A)和固定碳(C)含量的測(cè)定采用GB/T28731—2012《固體生物質(zhì)燃料工業(yè)分析方法》，每個(gè)樣品做3組平行，取平均值。秸稈樣品的熱值按照GB/T30727—2014《固體生物質(zhì)燃料發(fā)熱量測(cè)定方法》，每個(gè)樣品做3組平行，取平均值。

　　1.4數(shù)據(jù)處理與分析方法

　　主成分分析：用SPSS17.0軟件對(duì)數(shù)據(jù)進(jìn)行主成分分析，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后，做因子分析，得到主成分的方差貢獻(xiàn)表，選擇主成分?jǐn)?shù)，一般要求累計(jì)貢獻(xiàn)率達(dá)到85%以上，保證綜合變量能包括原始變量的絕大多數(shù)信息；根據(jù)軟件給出的成分矩陣表，求出不同變量相應(yīng)的主成分特征向量，特征向量和標(biāo)準(zhǔn)化數(shù)據(jù)的乘積即為變量的主成分負(fù)荷量，可得不同樣品的主成分得分^[7]。

　　本文采用不同的回歸方法構(gòu)建模型，以決定系數(shù)Ｒ2、預(yù)測(cè)標(biāo)準(zhǔn)差SEP和相對(duì)標(biāo)準(zhǔn)差ＲSD等評(píng)價(jià)指標(biāo)對(duì)模型進(jìn)行內(nèi)部檢驗(yàn)和外部驗(yàn)證，考察模型預(yù)測(cè)的準(zhǔn)確度^[8]。

　　2結(jié)果與分析

　　2.1主成分分析

　　主成分相關(guān)矩陣的特征值﹑方差貢獻(xiàn)率及累積貢獻(xiàn)率如表1所示，第1成分方差貢獻(xiàn)率最大，為62.207%，第2成分次之，為23.763%，這兩個(gè)成分的累計(jì)貢獻(xiàn)率達(dá)到85.97%，已經(jīng)包含了絕大多數(shù)的信息量，因此取前兩個(gè)特征值為主成分^[9]。4種工業(yè)分析成分的主成分載荷矩陣如表2所示，其中對(duì)第1主成分貢獻(xiàn)由大到小依次為揮發(fā)分、含水率、灰分、固定碳，對(duì)第2主成分貢獻(xiàn)率由大到小依次為灰分、固定碳、含水率、揮發(fā)分。工業(yè)分析各指標(biāo)間的相關(guān)矩陣如表3所示，其中揮發(fā)分和其他3個(gè)指標(biāo)含水率、灰分、固定碳均存在負(fù)相關(guān)關(guān)系，并且揮發(fā)分與灰分之間的負(fù)相關(guān)關(guān)系最大；含水率、灰分、固定碳之間存在正相關(guān)關(guān)系，含水率和固定碳之間的正相關(guān)關(guān)系最強(qiáng)。

　　2.2預(yù)測(cè)模型的建立

　　將36個(gè)樣品全部用于建模。根據(jù)表3可知揮發(fā)分與其他3個(gè)指標(biāo)之間存在嚴(yán)重的負(fù)相關(guān)關(guān)系，共線(xiàn)性統(tǒng)計(jì)量中的容差幾乎為0，所以剔除變量揮發(fā)分，采用基于含水率、灰分和固定碳3個(gè)指標(biāo)建立二元線(xiàn)性回歸方程。

　　由表4可以得到回歸方程的顯著性差異為0.003＜0.05，達(dá)到了極顯著水平，所以可以進(jìn)行擬合。表5顯示了擬合結(jié)果中各指標(biāo)的擬合系數(shù)及顯著性檢驗(yàn)，因?yàn)楣潭ㄌ嫉娘@著性檢驗(yàn)在0.1水平上不顯著，所以在進(jìn)行擬合時(shí)將其舍去，只保留常數(shù)項(xiàng)、含水率及灰分等3項(xiàng)，采用多元線(xiàn)性回歸方法得到的預(yù)測(cè)模型如下。

　　為了檢驗(yàn)多元回歸模型的預(yù)測(cè)精度，采用10個(gè)樣品對(duì)模型進(jìn)行外部驗(yàn)證，驗(yàn)證評(píng)價(jià)指標(biāo)結(jié)果如表6所示。由表6可知，預(yù)測(cè)模型的預(yù)測(cè)標(biāo)準(zhǔn)差為0.15kJ/g，相對(duì)標(biāo)準(zhǔn)差為1.02%，說(shuō)明預(yù)測(cè)模型驗(yàn)證的精確度較高，滿(mǎn)足在實(shí)際應(yīng)用檢測(cè)中的標(biāo)準(zhǔn)要求。結(jié)果表明，建立的熱值(Q)模型可以用于生物質(zhì)顆粒燃料熱值的預(yù)測(cè)。

　　3結(jié)論

　　(1)主成分分析發(fā)現(xiàn)，工業(yè)成分的4個(gè)指標(biāo)之間存在著線(xiàn)性關(guān)系，揮發(fā)分與其他指標(biāo)之間存在線(xiàn)性負(fù)相關(guān)關(guān)系；提取的兩個(gè)主成分的方差累計(jì)貢獻(xiàn)率高達(dá)85.97%，揮發(fā)分在第1主成分中所占的權(quán)重最大，并且與其他指標(biāo)呈負(fù)相關(guān)關(guān)系，灰分在第2主成分中的權(quán)重最大，同樣與其他指標(biāo)之間呈負(fù)相關(guān)關(guān)系。

　　(2)利用多元線(xiàn)性回歸模型建立的生物質(zhì)顆粒燃料的熱值預(yù)測(cè)模型，外部驗(yàn)證的標(biāo)準(zhǔn)差SEP為0.15kJ/g，相對(duì)標(biāo)準(zhǔn)差ＲSD為1.02%，說(shuō)明采用多元線(xiàn)性回歸方法建立的熱值預(yù)測(cè)模型具有可靠的預(yù)測(cè)性。

　　參考文獻(xiàn)

　　[1]熊先青，錢(qián)少平，盛奎川，等.基于工業(yè)分析/元素分析和可見(jiàn)－近紅外光譜預(yù)測(cè)農(nóng)作物秸稈高位熱值[J].光譜學(xué)與光譜分析，2017，37(5)：1622-1627.

　　[2]傅曉燕，嚴(yán)偉.農(nóng)作物秸稈基礎(chǔ)特性的主成分分析[J].農(nóng)業(yè)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]皇才進(jìn)，韓魯佳，劉賢，等.基于近紅外光譜技術(shù)的秸稈工業(yè)分析[J].光譜學(xué)與光譜分析，2009，29(4)：960-963.

　　[5]王開(kāi)源.城市生活垃圾熱值計(jì)算模型研究[D].武漢：華中科技大學(xué)，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，楊中寶.SPSS 主成分分析中的特征向量計(jì)算問(wèn)題[J].統(tǒng)計(jì)教育，2007(3)：10-11.

　　[8]皇才進(jìn)，劉賢，楊增玲，等.秸稈熱值近紅外光譜模型的外部驗(yàn)證結(jié)果間的統(tǒng)計(jì)比較分析[J].光譜學(xué)與光譜分析，2009，29(5)：1264-1267

　　[9]何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋(píng)果品種鑒別方法研究[J].光譜學(xué)與光譜分析，2006，26(5)：850-853.