可解释的优化极值梯度提升算法：基于煤炭元素组成预测其更高的热值，以实现能源转换 作者：Paulino José García-Nieto, Esperanza García-Gonzalo, José Pablo Paredes-Sánchez, Luis Alfonso Menéndez-García

《Big Data and Cognitive Computing》：Interpretable Optimized Extreme Gradient Boosting for Prediction of Higher Heating Value from Elemental Composition of Coal Resource to Energy Conversion Paulino José García-Nieto, Esperanza García-Gonzalo, José Pablo Paredes-Sánchez and Luis Alfonso Menéndez-García

　　

摘要

高热值（HHV），有时也称为总热值，是确定燃料在能源生产系统中主要能量潜力的关键指标。本研究通过结合极端梯度提升（XGBoost）和差分进化（DE）优化器，创建了一个基于机器学习的创新模型来预测HHV（因变量）。作为输入变量，该模型包括了煤炭最终分析的成分：碳（C）、氧（O）、氢（H）、氮（N）和硫（S）。为了进行比较，还应用了随机森林回归（RFR）、M5模型树、多元线性回归（MLR）以及之前报道的经验相关性分析到实验数据集中。结果表明，XGBoost策略产生了最准确的预测结果。首先进行了初步的XGBoost分析，以确定输入变量对煤炭HHV预测的相对贡献。特别是对于依赖于实验样本的煤炭HHV估计，XGBoost回归的相关系数为0.9858，决定系数为0.9691。观测值与预测值之间的极好一致性表明，基于DE/XGBoost的近似方法表现令人满意。最后，提供了该研究主要结论的概述。