基于機器學習的燃氣灶效率測量的因素分析研究

國家燃氣用具產品質量監督檢驗中心（佛山） 張明偉

1 引言

熱效率是燃氣灶非常重要的熱工性能指標，因而國家強制要求檢測燃氣灶的熱效率。熱效率的檢測會受到燃氣熱值、燃氣溫度以及測量環境的溫度等因素的影響。理想的外在條件是采用燃氣的標準熱值，測試環境和燃氣溫度均在標準狀態下。但是在實際的測試過程中，滿足這樣的條件是存在一定困難的，因此國家標準GB16410-2007中，允許這些外在影響因素可以在一定范圍內變化。從檢測的角度，需要了解這些外在因素對燃氣灶熱效率的影響程度，提出高精度測量燃氣灶的新方法。

另一方面，在不同的季節測量的同一款燃氣灶的熱效率會有較大的波動，這種波動對于燃氣灶研發具有較大的干擾性，無法確認燃氣灶熱效率的變化是來自外在因素還是燃氣灶的自身結構。因而，也需要了解外在因素對燃氣灶熱效率測量的影響規律。

建立物理模型來分析這些外在因素的變化是困難的，因為目前尚無法建立一個較為準確的物理模型來計算燃氣灶的熱效率。基于大量的燃氣灶熱效率的測試數據，可以采用機器學習的方法，通過數據挖掘的方式對外在環境因素的影響進行分析。隨機森林算法（Rondom forest algorithm)是一種集成機器學習算法，隨機森林由很多的樹組成，每一棵樹之間沒有關聯。采用自助采樣法帶來的樣本擾動和對屬性隨機抽取帶來的屬性擾動，使得作為隨機森林基學習器的樹具有“多樣性”。隨機森林可以用于分類和回歸，具有計算開銷小、泛化性能強、可以擬合復雜的非線性函數等諸多優點。

本文利用實驗數據通過隨機森林算法的學習和驗證，建立外部因素的熱負荷和熱效率的關系模型，并通過模型進行影響因素重要性分析。

2 環境、氣源條件對燃氣灶性能的影響

2.1 熱效率預測模型

2.1.1 構建模型

實驗獲得的485組數據中，數據集的75%的劃分為訓練集，其余25%劃分為測試集。特征為室溫波動、燃氣溫度波動和低熱值波動，標記為熱效率。采用隨機森林機器學習算法，使用交叉驗證法得到最優參數。訓練得到熱效率預測模型，探究三個外部因素（室溫、燃氣溫度和低熱值）對熱效率的影響。

2.1.2 模型分析

測試集和訓練集熱效率預測值與實際值的關系、模型預報熱效率的絕對誤差和相對誤差分別如圖2-1、2-2和2-3所示。

圖2-1 模型測試集和訓練集熱效率預測值與實際值關系

圖2-2 模型熱效率預報的絕對誤差

圖2-3 模型熱效率預報的相對誤差

輸出顯示，測試數據熱效率平均絕對誤差為1.147%，訓練數據熱效率平均絕對誤差為0.549%。統計結果表明，對于熱效率絕對誤差[-2，2]%內，占所有數據集的97.13%；對于熱效率相對誤差[-0.03，0.03]內，占所有數據集的97.13%，這些表明模型性能良好。

此外，對于三個輸入特征：室溫波動、燃氣溫度波動和低熱值波動，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

根據建立的模型，進行了影響因素的特征重要程度分析，分析結果如圖2-4所示。從圖2-4可以看到，對熱效率影響的重要程度最大的是燃氣低熱值的波動，其次是燃氣溫度波動，最后才是室溫波動。

圖2-4 三個熱效率預測模型中的特征重要程度

2.3 單因素對燃氣灶熱負荷和熱效率的影響

利用所建立的數據模型，對室溫、燃氣溫度和低熱值對熱效率的影響進行了單變量分析。

燃氣熱值、燃氣溫度以及室溫對熱效率的單變量影響分別如圖2-5、2-6、2-7所示。

燃氣熱值對燃氣灶熱效率的影響非常顯著，一般地，采用高熱值燃氣測量的熱效率要低于采用低熱值燃氣的測量結果。因此在進行燃氣灶熱效率測量，如果有條件，盡量保證燃氣熱值的穩定。

燃氣溫度在18-22℃范圍內，對燃氣灶熱效率的檢測影響非常劇烈，這個區域是檢測燃氣灶的主要燃氣溫度區域。因而燃氣溫度的精確測定對燃氣灶熱效率檢測精度意義重大。

觀察到，隨室溫增加，熱效率波動下降，22℃之后又波動上升；隨燃氣溫度增加，熱效率波動較大，整體呈增加趨勢，最后趨于平緩；隨低熱值增加，熱效率波動下降。

圖2-5 低熱值與熱效率關系

圖2-6 燃氣溫度與熱效率關系

圖2-7 室溫與熱效率關系

3 結論

（1）隨機森林算法適用于研究環境、氣源條件對燃氣灶熱負荷和熱效率的影響。利用隨機森林算法可以成功地建立室溫、燃氣溫度、低熱值與燃氣灶熱效率的關系模型，模型能夠較好地預報熱效率。

（2）在室溫、燃氣溫度、低熱值三個因素中，對熱負荷影響重要程度為低熱值＞室溫＞燃氣溫度；對熱效率影響重要程度為低熱值＞燃氣溫度＞室溫。

（3）在燃氣灶的熱效率檢測中盡量保持燃氣熱值的穩定，提高燃氣溫度的測量精度可以提高燃氣灶熱效率的測量精度。