基于機(jī)器學(xué)習(xí)的燃?xì)庠钚蕼y(cè)量的因素分析研究

國(guó)家燃?xì)庥镁弋a(chǎn)品質(zhì)量監(jiān)督檢驗(yàn)中心（佛山） 張明偉

1 引言

熱效率是燃?xì)庠罘浅Ｖ匾臒峁ば阅苤笜?biāo)，因而國(guó)家強(qiáng)制要求檢測(cè)燃?xì)庠畹臒嵝?。熱效率的檢測(cè)會(huì)受到燃?xì)鉄嶂怠⑷細(xì)鉁囟纫约皽y(cè)量環(huán)境的溫度等因素的影響。理想的外在條件是采用燃?xì)獾臉?biāo)準(zhǔn)熱值，測(cè)試環(huán)境和燃?xì)鉁囟染跇?biāo)準(zhǔn)狀態(tài)下。但是在實(shí)際的測(cè)試過(guò)程中，滿足這樣的條件是存在一定困難的，因此國(guó)家標(biāo)準(zhǔn)GB16410-2007中，允許這些外在影響因素可以在一定范圍內(nèi)變化。從檢測(cè)的角度，需要了解這些外在因素對(duì)燃?xì)庠顭嵝实挠绊懗潭?，提出高精度測(cè)量燃?xì)庠畹男路椒ā?/p>

另一方面，在不同的季節(jié)測(cè)量的同一款燃?xì)庠畹臒嵝蕰?huì)有較大的波動(dòng)，這種波動(dòng)對(duì)于燃?xì)庠钛邪l(fā)具有較大的干擾性，無(wú)法確認(rèn)燃?xì)庠顭嵝实淖兓莵?lái)自外在因素還是燃?xì)庠畹淖陨斫Y(jié)構(gòu)。因而，也需要了解外在因素對(duì)燃?xì)庠顭嵝蕼y(cè)量的影響規(guī)律。

建立物理模型來(lái)分析這些外在因素的變化是困難的，因?yàn)槟壳吧袩o(wú)法建立一個(gè)較為準(zhǔn)確的物理模型來(lái)計(jì)算燃?xì)庠畹臒嵝??；诖罅康娜細(xì)庠顭嵝实臏y(cè)試數(shù)據(jù)，可以采用機(jī)器學(xué)習(xí)的方法，通過(guò)數(shù)據(jù)挖掘的方式對(duì)外在環(huán)境因素的影響進(jìn)行分析。隨機(jī)森林算法（Rondom forest algorithm)是一種集成機(jī)器學(xué)習(xí)算法，隨機(jī)森林由很多的樹(shù)組成，每一棵樹(shù)之間沒(méi)有關(guān)聯(lián)。采用自助采樣法帶來(lái)的樣本擾動(dòng)和對(duì)屬性隨機(jī)抽取帶來(lái)的屬性擾動(dòng)，使得作為隨機(jī)森林基學(xué)習(xí)器的樹(shù)具有“多樣性”。隨機(jī)森林可以用于分類和回歸，具有計(jì)算開(kāi)銷小、泛化性能強(qiáng)、可以擬合復(fù)雜的非線性函數(shù)等諸多優(yōu)點(diǎn)。

本文利用實(shí)驗(yàn)數(shù)據(jù)通過(guò)隨機(jī)森林算法的學(xué)習(xí)和驗(yàn)證，建立外部因素的熱負(fù)荷和熱效率的關(guān)系模型，并通過(guò)模型進(jìn)行影響因素重要性分析。

2 環(huán)境、氣源條件對(duì)燃?xì)庠钚阅艿挠绊?/h2>

2.1 熱效率預(yù)測(cè)模型

2.1.1 構(gòu)建模型

實(shí)驗(yàn)獲得的485組數(shù)據(jù)中，數(shù)據(jù)集的75%的劃分為訓(xùn)練集，其余25%劃分為測(cè)試集。特征為室溫波動(dòng)、燃?xì)鉁囟炔▌?dòng)和低熱值波動(dòng)，標(biāo)記為熱效率。采用隨機(jī)森林機(jī)器學(xué)習(xí)算法，使用交叉驗(yàn)證法得到最優(yōu)參數(shù)。訓(xùn)練得到熱效率預(yù)測(cè)模型，探究三個(gè)外部因素（室溫、燃?xì)鉁囟群偷蜔嶂担?duì)熱效率的影響。

2.1.2 模型分析

測(cè)試集和訓(xùn)練集熱效率預(yù)測(cè)值與實(shí)際值的關(guān)系、模型預(yù)報(bào)熱效率的絕對(duì)誤差和相對(duì)誤差分別如圖2-1、2-2和2-3所示。

圖2-1 模型測(cè)試集和訓(xùn)練集熱效率預(yù)測(cè)值與實(shí)際值關(guān)系

圖2-2 模型熱效率預(yù)報(bào)的絕對(duì)誤差

圖2-3 模型熱效率預(yù)報(bào)的相對(duì)誤差

輸出顯示，測(cè)試數(shù)據(jù)熱效率平均絕對(duì)誤差為1.147%，訓(xùn)練數(shù)據(jù)熱效率平均絕對(duì)誤差為0.549%。統(tǒng)計(jì)結(jié)果表明，對(duì)于熱效率絕對(duì)誤差[-2，2]%內(nèi)，占所有數(shù)據(jù)集的97.13%；對(duì)于熱效率相對(duì)誤差[-0.03，0.03]內(nèi)，占所有數(shù)據(jù)集的97.13%，這些表明模型性能良好。

此外，對(duì)于三個(gè)輸入特征：室溫波動(dòng)、燃?xì)鉁囟炔▌?dòng)和低熱值波動(dòng)，特征重要度分別為0.26725、0.28533和0.44742。

2.2影響因素的特征重要度分析

根據(jù)建立的模型，進(jìn)行了影響因素的特征重要程度分析，分析結(jié)果如圖2-4所示。從圖2-4可以看到，對(duì)熱效率影響的重要程度最大的是燃?xì)獾蜔嶂档牟▌?dòng)，其次是燃?xì)鉁囟炔▌?dòng)，最后才是室溫波動(dòng)。

圖2-4 三個(gè)熱效率預(yù)測(cè)模型中的特征重要程度

2.3 單因素對(duì)燃?xì)庠顭嶝?fù)荷和熱效率的影響

利用所建立的數(shù)據(jù)模型，對(duì)室溫、燃?xì)鉁囟群偷蜔嶂祵?duì)熱效率的影響進(jìn)行了單變量分析。

燃?xì)鉄嶂?、燃?xì)鉁囟纫约笆覝貙?duì)熱效率的單變量影響分別如圖2-5、2-6、2-7所示。

燃?xì)鉄嶂祵?duì)燃?xì)庠顭嵝实挠绊懛浅ｏ@著，一般地，采用高熱值燃?xì)鉁y(cè)量的熱效率要低于采用低熱值燃?xì)獾臏y(cè)量結(jié)果。因此在進(jìn)行燃?xì)庠顭嵝蕼y(cè)量，如果有條件，盡量保證燃?xì)鉄嶂档姆€(wěn)定。

燃?xì)鉁囟仍?8-22℃范圍內(nèi)，對(duì)燃?xì)庠顭嵝实臋z測(cè)影響非常劇烈，這個(gè)區(qū)域是檢測(cè)燃?xì)庠畹闹饕細(xì)鉁囟葏^(qū)域。因而燃?xì)鉁囟鹊木_測(cè)定對(duì)燃?xì)庠顭嵝蕶z測(cè)精度意義重大。

觀察到，隨室溫增加，熱效率波動(dòng)下降，22℃之后又波動(dòng)上升；隨燃?xì)鉁囟仍黾樱瑹嵝什▌?dòng)較大，整體呈增加趨勢(shì)，最后趨于平緩；隨低熱值增加，熱效率波動(dòng)下降。

圖2-5 低熱值與熱效率關(guān)系

圖2-6 燃?xì)鉁囟扰c熱效率關(guān)系

圖2-7 室溫與熱效率關(guān)系

3 結(jié)論

（1）隨機(jī)森林算法適用于研究環(huán)境、氣源條件對(duì)燃?xì)庠顭嶝?fù)荷和熱效率的影響。利用隨機(jī)森林算法可以成功地建立室溫、燃?xì)鉁囟?、低熱值與燃?xì)庠顭嵝实年P(guān)系模型，模型能夠較好地預(yù)報(bào)熱效率。

（2）在室溫、燃?xì)鉁囟取⒌蜔嶂等齻€(gè)因素中，對(duì)熱負(fù)荷影響重要程度為低熱值＞室溫＞燃?xì)鉁囟龋粚?duì)熱效率影響重要程度為低熱值＞燃?xì)鉁囟龋臼覝亍?/p>

（3）在燃?xì)庠畹臒嵝蕶z測(cè)中盡量保持燃?xì)鉄嶂档姆€(wěn)定，提高燃?xì)鉁囟鹊臏y(cè)量精度可以提高燃?xì)庠顭嵝实臏y(cè)量精度。