燃煤发热量的精准预测和评价是煤质分析和热工计算的重要基础。本文针对氧弹发热量测量法不具备实时监测煤炭质量变化的问题，提出了一种由仿生算法FA-GA联合优化BP神经网络的燃煤发热量预测方法。将774组燃煤锅炉常用煤的工业分析及元素分析数据进行预处理，根据平均影响值对煤质指标进行特征变量筛选，最终建立FA-GA-BP的发热量预测模型，并从误差评价指标、迭代次数等方面对优化算法寻优能力和模型预测精度进行了检验。结果表明，经过特征变量筛选后模型的预测精度提升至0.9561；FA-GA联合算法与单一优化算法FA、GA、PSO相比，迭代次数显著减少，算法的全局搜索能力得到有效提升；FA-GA-BP模型与单一优化模型FA-BP、GA-BP、PSO-BP以及目前常用的发热量模型MLR和SVR相比，精度更高，相关系数可达0.9845，可为有效监测入炉煤质实时变化提供一种新方法。

1 数据预处理
1.1 数据集成
1.2 数据相关性分析
1.3 评价指标
2 发热量模型构建
2.1 特征变量筛选
2.2 BP神经网络结构的确定
2.3 构建FA-GA联合优化BP神经网络模型
3 实验验证与结果分析
3.1 特征变量选取验证
3.2 性能测试
3.3 不同模型预测结果对比分析
3.4 与其他发热量模型对比分析
4 结论

张艺,姚素玲,董宪姝,付元鹏,樊玉萍,马晓敏.基于仿生算法联合优化BP的燃煤发热量预测[J/OL].太原理工大学学报:1-8[2023-06-15].http://kns.cnki.net/kcms/detail/14.1220.N.20230529.1046.004.html