摘要
摘要
随着天然气行业和市场的不断成熟，构建跨区域的大型管网，实现不同气
源的混输，已经成为必然的发展方向，造成了我国天然气气质不稳定，热值偏
差最大可达20%。但现有的燃气组分监测技术基于气相色谱单一数据支撑，
燃气组分变化信号准确度容易出现重大偏差，因此本文基于机器学习理论，提
出利用天然气燃烧后产生的主要烟气成分反演燃气组分的方法，以实现实时精
准的检测燃气成分。
首先，本文建立了中国气源集合，获取不同组分天然气气源共60组，通
过对其燃烧特性对比分析发现，国内气相较于国外气普遍呈现甲烷含量高而燃
气华白数低的特点；搭建了可调燃气组分实验台，通过对燃气组分的调控和相
对应所产生烟气成分的测量，建立了扩散和预混两种燃烧方式下燃气组分与烟
气信息相互关联的基础数据库，其中扩散条件下样本量为230个，预混条件下
样本量为320个。
其次，本文利用BP神经网络模型和SVR支持向量机模型这两种机器学习
方法，对燃气中的甲烷、乙烷、丙烷和丁烷四种烷烃的组分比例进行反演，结
果表明，BP神经网络模型和SVR支持向量机模型均能利用烟气成分实现对燃
气组分的反演。
之后，本文利用均方根误差指数RMSE比较了扩散和预混两种条件下BP
神经网络模型和SVR支持向量机模型的预测误差，结果表明，无论是在扩散
还是预混条件下，BP神经网络模型相较于SVR模型，都在燃气组分反演上表
现出更优的推测性能。
最后，本文选取预测能力更强的BP神经网络模型，利用PSO粒子群算法
对其权值和阈值进行优化，经过PSO粒子群算法优化后的BP神经网络模型的
测试相关系数R均在0.9以上。同时，相比优化前的BP神经网络模型RMSE
预测误差有明显降低，在扩散条件下相较于传统BP模型，甲烷的预测误差降
低了68.05%，乙烷的预测误差降低了62.80%，丙烷的预测误差降低了85.42%，
丁烷的预测误差降低了76.20%。在预混条件下相较于传统BP模型，甲烷的预
测误差降低了62.37%，乙烷的预测误差降低了77.03%，丙烷的预测误差降低
了70.07%，丁烷的预测误差降低了77.63%，说明PSO算法能很好地优化提升
BP神经网络模型的预测性能。在实际实验验证中，无论是在预混还是扩散条
-I-
摘要
件下，PSO-BP模型均具有良好的反演能力和泛化能力，验证实验的甲烷、乙
烷、丙烷和丁烷的相对误差均在?5%以下。同时，对反演模型数据划分的无
关性进行了验证，结果表明，在训练集所占比例达到70%后，模型的预测精
度变化幅度在允许范围内，不再受样本数据划分比例的影响。
本文建立的PSO-BP燃气组分反演模型，可弥补燃气设备燃气组分无法实
时监测的不足，能够快速准确的测量甲烷、乙烷、丙烷和丁烷四种燃气组分比
例，进而为由气质不稳定导致的燃烧振荡预测提供准确可靠的判断数据。
关键词：天然气组分检测；反演；机器学习；神经网络；粒子群算法
-II-
Abstract
Abstract
Withthecontinuousmaturityofthenaturalgasindustryandmarket,the
constructionoflarge-scaleinterregionalpipelinesandthemixingofdifferentgas
sourceshavebecomeinevitabledevelopmentdirections.Thishasledtothe
instabilityofthequalityofnaturalgasinChina,wherethecalorificvalue