1.1试验材料

　　试验中涉及的36个生物质颗粒燃料样品呈圆柱状，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。

　　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。

　　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。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。

　　(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。