烧结过程中氮氧化物排放的研究

2.3基于多元线性回归的NOx排放量预测模型

回归分析通常用来研究多个预报因子对预报量的影响程度，然后建立它们的统计关系的方程式，对未来时刻的预报量做出预报估计。多元回归模型是指含有2个或2个以上自变量的线性回归模型，用于揭示因变量与多个自变量之间的线性关系，多元回归的方程式为：

在建立1批观测数据的回归方程时，往往有较多的因素(自变量)对观测值(因变量)有影响。对于不同的自变量组合，可以得到不同的回归方程，其在质量上必然有优劣之分。逐步回归分析法是从1个预报因子开始，按其对因变量作用的显著程度，从大到小依次逐个引入回归方程。

另一方面，当先前引入的因子由于后面因子的引入而变得不显著时，就将其剔除。因此，逐步回归中有的步骤引入因子，有的步骤剔除因子，而每一步都要作统计检验(F检验)以保证每次引入新的显著因子之前，回归方程中只包含显著因子，直到显著因子都包括在回归方程中为止。由于回归方程中只包含影响较显著的因子，因此预测效果较好。

根据2014年某钢厂1号烧结机实际生产中原料参数、工艺参数与烟气中NOx质量浓度的相关性分析研究结果得出影响NOx排放的主要影响因素有：半褐铁矿使用比例(BH)、钙质熔剂使用比例(GZ)、白云石使用比例(BYS)、焦粉使用比例(JF)、烧结矿中w(CaO)、烧结矿的碱度(R)、冷态透气性(LT)、料层厚度(HD)、BTP位置(BTP)。将这9个原料、工艺参数作为自变量，将烟气NOx排放量作为因变量代入到SPSS统计分析软件的多元线性回归功能模块中，选择逐步回归分析。软件计算得出的7个回归模型分别是：

表6 NOx质量浓度预测模型的命中率%

通过表6可以看出模型5在误差范围为10%以内的命中率最高，其次为模型4、模型6、模型7，对于这4个模型再进一步比较其误差范围在5%以内的命中率可以看出，模型5、模型6的命中率最高，综合考虑认为模型5为预测NOx排放的“最优”模型。

延伸阅读：

烧结烟气污染物排放的计算方法

太钢烧结烟气氮氧化物超低排放技术研究