王猛 劉樹林 劉曉東 孫浩瀚 張穎 李安 劉瑞斌

摘?要：準(zhǔn)確預(yù)測煤炭的碳排放數(shù)據(jù)是實現(xiàn)中國“雙碳”目標(biāo)的重要基礎(chǔ)。在煤炭入爐前完成碳排放量數(shù)據(jù)和煤質(zhì)指標(biāo)的精確、快速預(yù)測，將轉(zhuǎn)變目前“先排放，后檢測”的碳排放數(shù)據(jù)計算方式，對落實 “雙碳”戰(zhàn)略意義重大。以煤炭碳含量和煤質(zhì)指標(biāo)的精準(zhǔn)預(yù)評估為研究目標(biāo)，通過自行搭建激光誘導(dǎo)擊穿光譜（Laser Induced Breakdown Spectroscopy，LIBS）系統(tǒng)和LIBS光譜統(tǒng)計分析，利用主成分分析-偏最小二乘（PCA-PLS）結(jié)合小樣本算法對訓(xùn)練集進(jìn)行回歸訓(xùn)練，建立了一種煤炭的碳排放預(yù)測模型，并通過在新疆A電廠和山東B電廠中的實際應(yīng)用，證明了LIBS系統(tǒng)在煤質(zhì)指標(biāo)分析中的可靠性。結(jié)果表明：所提出的預(yù)測方法與傳統(tǒng)方法相比絕對誤差最大為0.025 6 t，表現(xiàn)出較好的碳排放預(yù)測能力。所提方法可以用于燃煤企業(yè)碳排放量的精準(zhǔn)預(yù)測，為實現(xiàn)煤炭碳排放和煤質(zhì)指標(biāo)的預(yù)評估提供了一種較為高效的技術(shù)解決路徑。

關(guān)鍵詞：激光誘導(dǎo)擊穿光譜技術(shù)；碳排放；高精度快速預(yù)測

中圖分類號：TD463

文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2024）03-0597-07

DOI：10.13800/j.cnki.xakjdxxb.2024.0319開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

High precision and fast prediction of carbon emissions from

coal-fired enterprises based on LIBS spectroscopy

WANG Meng1，LIU Shulin1，LIU Xiaodong2，

SUN Haohan2，

ZHANG Ying2，LI An2，LIU Ruibin2

（1.

College of Mechanical Engineering，Xian University of Science and Technology，Xian 710054，China；

2.School of Physics，Beijing Institute of Technology，Beijing 100081，China）

Abstract：

The accurate prediction of coal carbon emissions is an important basis for achieving Chinas “dual carbon” goal.Completing the accurate and fast prediction of carbon emissions and coal quality indicators before coal entering the furnace will transform the current method of calculating carbon emissions data from “emission first，then detection，” and is essential for implementing the “dual carbon” strategy.Our study aims to accurately evaluate the coal carbon content and coal quality indicators.We build a laser-induced breakdown spectroscopy（LIBS） system and use principal component analysis-partial least squares（PCA-PLS） combined with small sample algorithms to regressively train the training set.A prediction model of coal carbon emission is established to demonstrate the reliability of the LIBS system in the analysis of coal quality indicators through its practical application in the A power plant in Xinjiang and the B power plant in Shandong.The results show that the proposed prediction method has a maximum absolute error of 0.025 6 t compared to the traditional method，demonstrating good prediction capabilities for carbon emission.It can be adopted for the accurate prediction of carbon emissions in coal-fired enterprises and provides a relatively efficient technical solution for the pre-assessment of coal carbon emissions and coal quality indicators.

Key words：Laser-Induced Breakdown Spectroscopy（LIBS）;carbon emission;high precision and fast prediction

0?引?言

煤炭作為中國存量最大、可靠性最高的能源類型，決定了較長時期內(nèi)將保持以煤炭為主的能源生產(chǎn)和消費(fèi)結(jié)構(gòu)[1-2]。碳減排是 “十四五”規(guī)劃中的工作重點(diǎn)，精準(zhǔn)可靠的碳排放預(yù)測技術(shù)將有助于實現(xiàn)“雙碳”承諾中的碳排放目標(biāo)。因此，發(fā)展和研究煤炭的碳排放量在線高精度快檢技術(shù)對燃煤優(yōu)化、節(jié)能減排至關(guān)重要。目前，工業(yè)生產(chǎn)中急需能夠?qū)崿F(xiàn)煤炭碳排放量在線分析的新技術(shù)。鑒于激光誘導(dǎo)擊穿光譜技術(shù)（Laser Induced Breakdown Spectroscopy，LIBS）在定量分析待測樣品中各類指標(biāo)參數(shù)方面的優(yōu)勢，使用LIBS方法快速、精準(zhǔn)分析煤炭中各種指標(biāo)參數(shù)，尤其是碳含量數(shù)據(jù)，

實現(xiàn)碳排放量精確預(yù)測，是一種高效易行的方法[3-4]。

國內(nèi)外眾多的研究團(tuán)隊將LIBS技術(shù)應(yīng)用于煤樣成分分析[5-7]。OTTESEN等在美國加利福尼亞州利弗莫爾的桑迪亞國家實驗室對單個煤顆粒中的Si、Al、Fe、Ti、Ca、Mg元素的無機(jī)組分進(jìn)行了原位在線定量測量[8]；

BLEVINS等使用回聲光譜儀和改進(jìn)后的光學(xué)探針研發(fā)了升級版實驗室LIBS系統(tǒng)，可以應(yīng)對更惡劣的工業(yè)現(xiàn)場環(huán)境[9] ；GAFT等在南非的奧普提莫姆煤礦進(jìn)行了4個月的性能測試，利用LIBS裝置詳細(xì)分析了煤樣的灰分含量[10-11] ；ROMERO等在美國賓夕法尼亞州的蒙圖爾發(fā)電站利用基于人工神經(jīng)網(wǎng)絡(luò)的算法對傳送帶上的在線LIBS裝置對煤樣數(shù)據(jù)進(jìn)行了處理分析[12-14] ；DENG等在美國尼斯卡尤納通用電氣全球研究中心，用LIBS系統(tǒng)取代了相對耗時的離線分析方法，分析了IGCC電廠的固體煤與合成氣中各類成分的含量[15] ；KURIHARA等在日本原町火電廠1號機(jī)組鍋爐的排氣管上安裝了用于分析粉煤灰中的未燃燒碳MLIBS-UC2002原型機(jī)組，其分析結(jié)果與使用日本JIS M8815標(biāo)準(zhǔn)來分析得到的結(jié)果之間相關(guān)性的SD值為0.27%，表現(xiàn)出較高的準(zhǔn)確性[16]。

LIBS技術(shù)可以快速精確地檢測C、H、Si、Al、Fe、Ti、Ca、Mg、Na、K、Mn、Sr、Ba元素含量，而TMA可以分析計算煤渣指數(shù)。CTVRTNICKOVA等應(yīng)用LIBS和熱機(jī)械分析（TMA）預(yù)測煤和煤混合物的沉渣，證明了LIBS和TMA連用是取代耗時和昂貴的ICP-OES的可行技術(shù)[17] ；STIPE等利用LIBS對過濾器上積累的煤塵中的二氧化硅顆粒進(jìn)行了定量分析，檢測靈敏度是傳統(tǒng)技術(shù)（基于傅里葉變換紅外光譜，

FTIR的25倍[18] ；ZHANG等設(shè)計了一個完全由軟件控制的LIBS系統(tǒng)，包括LIBS儀器、分析室和控制模塊[19]。利用支持向量機(jī)（SVM）結(jié)合主成分分析（PCA）建立預(yù)測模型來定量分析灰分含量、揮發(fā)分含量和熱值。

目前，LIBS技術(shù)

實現(xiàn)對煤質(zhì)在線分析主要是通過將激光

直接作用到傳送帶上的流動煤樣上

[20-22]。然而，在利用LIBS實現(xiàn)碳排放量的在線實時預(yù)測方面，研究仍相對較少。

由于LIBS光譜數(shù)據(jù)具有高維的特點(diǎn)，數(shù)據(jù)中光譜變量一般包含103～104個；煤質(zhì)的LIBS光譜數(shù)據(jù)更加復(fù)雜，受基體效應(yīng)和自吸收效應(yīng)的影響，一般的單變量回歸無法滿足高精度定量分析的要求?；谥鞒煞址治龅钠钚《朔ǎ≒artial Least Squares Based on Principal Component Analysis，PCA-PLS），綜合考慮了光譜中所有變量，利用主成分分析法（Principal Component Analysis，PCA）可以將高維數(shù)據(jù)降維，變換到低維空間，將原始數(shù)據(jù)中變量之間的多重共線性排除，提升所建立模型的魯棒性和泛化能力。

文中提出利用LIBS技術(shù)，對采集的定標(biāo)樣品光譜與固定碳含量進(jìn)行定量分析，通過光譜統(tǒng)計分析，建立基于主成分分析的偏最小二乘法預(yù)測模型，并使用該模型所預(yù)測的含碳量進(jìn)一步進(jìn)行碳排放量的預(yù)測計算。

在此基礎(chǔ)上，可實現(xiàn)對煤炭燃燒碳排放量的精準(zhǔn)實時預(yù)檢，并利用預(yù)測值在開采環(huán)節(jié)對煤樣實現(xiàn)煤炭標(biāo)簽化，進(jìn)而徹底轉(zhuǎn)變目前碳排放“先排放，后檢測”的傳統(tǒng)方式，最終實現(xiàn)在提升工業(yè)生產(chǎn)效率的同時降低企業(yè)監(jiān)管成本。該技術(shù)的實施在碳工業(yè)分析方面有巨大的應(yīng)用價值，將為能源行業(yè)提供高效、可靠的碳排放量預(yù)測技術(shù)。

1?LIBS試驗系統(tǒng)

1.1?試驗裝置

LIBS試驗裝置主要包括激光器、光譜儀和3D步進(jìn)平臺，如圖1所示。試驗系統(tǒng)采用空間光路實現(xiàn)，調(diào)Q脈沖激光器為美國Newwave公司的Tempest-300型Nd：YAG激光器，可以輸出四波長。

依托1 064 nm脈沖開展試驗，產(chǎn)生的激光光束經(jīng)過反射鏡R1、透鏡L1（f=100 mm）聚焦到樣品表面，從而產(chǎn)生等離子體，等離子體輻射光譜通過透鏡組L2（f=100 mm）、L3（f=60 mm）耦合進(jìn)光譜儀中。為了減小激光能量波動對試驗產(chǎn)生的影響，試驗前需將激光器預(yù)熱半小時，使能量計調(diào)整激光輸出能量500 mJ，透過衰減片后能量為100 mJ，并監(jiān)測100次激光脈沖能量波動STD值小于0.6 mJ （Pulse to Pulse），即波動小于0.6%。光譜儀為五通道光纖光譜儀（Avantes，Netherlands），內(nèi)置4 096像素線陣硅基CCD 探測器，探測波長范圍為180～900 nm，光譜分辨率為0.18 nm。光譜采集延遲時間為0.5 μs，積分時間為30 μs時為最優(yōu)試驗參數(shù)。

1.2?樣品制備與數(shù)據(jù)采集

含水對煤光譜會產(chǎn)生一些消極影響，減小了燒蝕質(zhì)量，增大了等離子體不穩(wěn)定性，從而導(dǎo)致其原子、分子光譜輻射強(qiáng)度不能代表所測樣品的元素含量，元素特征峰強(qiáng)度與對應(yīng)粒子的輻射強(qiáng)度出現(xiàn)非線性甚至無線性關(guān)系。因此，為了減小水分對光譜預(yù)測碳排放的影響，對10組煤樣空干基進(jìn)行烘干，將熱臺溫度設(shè)置為100 ℃并干燥30 min，使其完全失去水分，成為干燥基。每個樣品取0.4 g，使用壓餅機(jī)壓餅，壓力15 t，保壓2 min，制備成煤餅，煤餅直徑15 mm，厚度4 mm。在同一樣品表面選取17個采集點(diǎn)，采集5次脈沖。每組煤樣收集85組光譜數(shù)據(jù)作為原始光譜。

1.3?數(shù)據(jù)處理與模型評估

煤餅的光譜數(shù)據(jù)處理過程，如圖2所示。首先對原始譜線進(jìn)行有效的光譜篩選，去除存在飽和峰（強(qiáng)度大于65 000）的光譜；然后去除譜線平均強(qiáng)度波動大于一個標(biāo)準(zhǔn)差的光譜，剩余光譜為有效光譜，做平均處理后作為相應(yīng)樣品的最終光譜，如圖2（a）所示。對平均后的光譜數(shù)據(jù)進(jìn)行預(yù)處理，包括如圖2（c）光譜背景基線矯正和如圖2（d）的數(shù)據(jù)歸一化處理過程。在對歸一化的光譜進(jìn)行特征峰標(biāo)記和選取的過程中，只選取大于最大峰強(qiáng)1/60的峰為所需要的特征峰，將其他強(qiáng)度置零，從而得到預(yù)處理完畢的光譜。在試驗過程中，將待測樣品的特征峰強(qiáng)度作為定量分析的輸入變量。

通常采用以下幾個標(biāo)準(zhǔn)評價建模的優(yōu)劣：決定系數(shù)R2一般用來評估線性回歸模型的線性相關(guān)度，其值在0～1，在一元線性回歸的情況下，是皮爾遜相關(guān)系數(shù)R的平方值[24-25]；校正集均方根誤差RMSEC、預(yù)測均方根誤差RMSEP用來評估預(yù)測模型的精度，平均絕對誤差MAE用來評估模型的穩(wěn)定性，其值受離群點(diǎn)影響較大。計算公式如下

R2=SSRSST=1－SSESST=1－∑ni=1（yi－i）2∑ni=1（i－i）2

（1）

RMSE=1n∑ni=1+（yi－i）2

（2）

MAE=1n∑ni=1i－yi

（3）

式中?i為真值；yi為真值的平均值，為

預(yù)測值。對于RMSEC，n為訓(xùn)練集的個數(shù)；對于RMSEP，n為預(yù)測集的個數(shù)。

將10個干燥基煤樣隨機(jī)分割為6個訓(xùn)練集和4個測試集，利用PCA-PLS方法結(jié)合小樣本算法（由于所用樣本量較少，利用數(shù)據(jù)分割和重新組合的方法獲得了具有樣本代表性的光譜數(shù)據(jù)，并放大了樣品組間光譜的方差信息，提升模型預(yù)測精度，預(yù)測的精度是傳統(tǒng)方法中只用樣品的平均光譜來建立定量分析模型所不能達(dá)到的[23]）對訓(xùn)練

集進(jìn)行回歸訓(xùn)練，得到的結(jié)果如圖3所示。其中，

小樣本算法中訓(xùn)練集數(shù)據(jù)需大于等于5，訓(xùn)練集數(shù)量為6，滿足小樣本算法樣本的最低要求。最終得到的模型RMSEC為5×10-15%，R2c=1，將模型導(dǎo)入預(yù)測集，得到預(yù)測結(jié)果RMSEP為0.3%，R2p=

0.78，使用該模型能夠較為準(zhǔn)確地預(yù)測樣品的含碳量。

2?碳排放預(yù)測

在通過LIBS技術(shù)準(zhǔn)確獲取樣品含碳量后，可通過建立樣品碳排放預(yù)測模型，實現(xiàn)碳排放量的在線評估。將采集的定標(biāo)樣品光譜與固定碳含量建立基于主成分分析的偏最小二乘法預(yù)測模型[26]。該模型可以表述為

yi=a1X1+a2X2+a3X3+…+akXk+b0

（4）

式中?y為所要預(yù)測的煤質(zhì)中固定碳含量值；ak為線性回歸模型的回歸系數(shù)；Xk為所采集到的光譜強(qiáng)度值；b0為常數(shù)項。由此可以預(yù)測計算得到碳排放量為

F燃=Wcoal×y×MCO2MC×OF煤

（5）

式中?Wcoal為燃煤的質(zhì)量，t；y為燃煤中的含碳量，%；MCO2為化學(xué)計量中二氧化碳的摩爾質(zhì)量，取值為44 g/mol；MC為化學(xué)計量中碳的摩爾質(zhì)量，取值12 g/mol；OF煤為燃煤機(jī)組氧化率，%。

根據(jù)《省級溫室氣體清單編制指南》，燃煤機(jī)組氧化率OF煤取值為98%[27-28]。進(jìn)而得到光譜強(qiáng)度值與對應(yīng)所測煤樣碳排放量的值為

F燃=0.035 9×Wcoal×（a1X1+a2X2+a3X3+…+akXk+b0）

（6）

使用式（6），設(shè)置Wcoal值為1 t，根據(jù)模型所預(yù)測的固定碳濃度預(yù)測每噸煤樣碳排放，得到的結(jié)果如圖4所示。

圖4中橙色點(diǎn)為根據(jù)含碳量真值計算的碳排放，黑色點(diǎn)為基于模型預(yù)測的碳排放。其中預(yù)測結(jié)果為RP2=0.979 1，RMSEP=0.009 t，

最大誤差0.025 6 t，

MAE=0.004 4 t。預(yù)測模型的絕對誤差最大為0.025 6 t，顯示出文中使用的模型具有很好的預(yù)測能力。因此，使用文中方法預(yù)測碳排放量是完全可行的，上述方法也為煤礦在線評估碳排放提供了初步依據(jù)。

3?工程驗證

為了驗證實驗室中基于LIBS系統(tǒng)建立的碳排放的預(yù)測統(tǒng)計模型對于實際工業(yè)生產(chǎn)中碳排放的預(yù)測能力，選取新疆A電廠煤質(zhì)的固定碳數(shù)據(jù)，分別計算了每噸煤基于真值（化驗值）和測試數(shù)值（LIBS）的二氧化碳排放量，并繪制出二氧化碳排放量的預(yù)測誤差曲線，如圖5所示。從圖5可以看出，現(xiàn)場檢測化驗值和測試數(shù)值計算得到的二氧化碳排放量誤差非常小，證明LIBS煤質(zhì)快速檢測系統(tǒng)和PCA-PLS建模方法在實際工業(yè)生產(chǎn)中的可靠性，該系統(tǒng)和檢測方法能夠應(yīng)用于實際工況下的碳排放的評估。

為了進(jìn)一步確定LIBS系統(tǒng)在實際工況下實時預(yù)測煤樣碳排放的準(zhǔn)確度，使用基于文中研究所開發(fā)的LIBS在線檢測平臺對山東B電廠在某日的入爐煤碳排放量進(jìn)行了實時監(jiān)測，圖6為對現(xiàn)場煤樣預(yù)測碳排放量的實時監(jiān)測數(shù)據(jù)。從圖6可以看出，對于傳送帶上的煤，設(shè)備在依次采集待測樣品光譜后即可實時給出相應(yīng)煤樣的碳排放量預(yù)測值。將每噸燃煤中獲取的煤樣碳排放量作均值處理，獲得現(xiàn)場分時段每噸燃煤的預(yù)測碳排放量。通過LIBS預(yù)測模型計算碳含量與電廠傳統(tǒng)方式數(shù)據(jù)相比較，所使用的LIBS模型和現(xiàn)場取得的真值曲線十分吻合。

因此，相較于煤電企業(yè)，目前使用的通過燃煤計算飛灰含碳量、脫硫過程中計算二氧化碳的碳排放傳統(tǒng)計算方法，基于LIBS光譜統(tǒng)計

技術(shù)能夠?qū)μ寂欧艛?shù)據(jù)給出實時的監(jiān)測值，也能夠更準(zhǔn)確地給出燃煤相應(yīng)的排放值。

目前燃煤企業(yè)廣泛采用的方法是在廢棄排放口位置安裝碳排放檢測裝置對排放的碳進(jìn)行監(jiān)測，這種方法實際上是一種事后測量的方法，無法在煤炭燃燒前提前預(yù)知碳排放量。基于LIBS光譜統(tǒng)計技術(shù)提前對煤質(zhì)測試，可對煤炭在燃燒前進(jìn)行選擇與控制，從而調(diào)控入爐煤炭的使用量。同時，使用LIBS技術(shù)可對不同產(chǎn)地的煤炭進(jìn)行碳排放量標(biāo)簽化處理，最終將為碳交易體系提供更加精確的數(shù)據(jù)支持。

4?結(jié)?論

1） LIBS的光譜強(qiáng)度與被測物質(zhì)基體性質(zhì)有著一定的相關(guān)性，利用PCA-PLS結(jié)合小樣本算法，可以實現(xiàn)根據(jù)煤樣光譜數(shù)據(jù)預(yù)測煤樣中的碳含量。

2）基于主成分分析的偏最小二乘法建立的煤炭碳排放預(yù)測模型能夠在煤樣燃燒之前提前預(yù)測其碳排放量，其預(yù)測結(jié)果與根據(jù)煤樣含碳量真值計算的碳排放量絕對誤差最大為0.025 6 t，顯示出該預(yù)測模型較好的預(yù)測能力。

3）基于 LIBS光譜統(tǒng)計高精度預(yù)測系統(tǒng)在新疆A電廠及山東B電廠中的實際應(yīng)用證明，使用LIBS系統(tǒng)可以完成傳送帶上流動煤樣的預(yù)評估，進(jìn)而實現(xiàn)流動煤樣揮發(fā)含量、揮發(fā)分含量和熱值等煤質(zhì)指標(biāo)的實時在線分析。

參考文獻(xiàn)（References）：

[1]?李朋林，鐘玉祥.ICT投資對碳排放效率的空間效應(yīng)和影響機(jī)制[J].西安科技大學(xué)學(xué)報，2022，42（6）：1232-1242.

LI Penglin，ZHONG Yuxiang.Spatial effects and impact mechanisms of ICT investment on carbon efficiency[J].Journal of Xian University of Science and Technology，2022，42（6）：1232-1242.

[2]呂靖燁，杜靖南，曹銘，等.利用 ARIMA-SVM 模型的碳排放交易價格預(yù)測[J].西安科技大學(xué)學(xué)報，2020，40（3）：542-548.

LYU Jingye，DU Jingnan，CAO Ming，et al.Carbon emissions trading price prediction using the ARIMA-SVM model[J].Journal of Xian University of Science and Technology，2020，40（3）：542-548.

[3]施沈城，胡夢云，曾和平.幾種激光誘導(dǎo)擊穿光譜技術(shù)的改進(jìn)方法[J].實驗技術(shù)與管理，2022，39（7）：24-29.

SHI Shencheng，HU Mengyun，ZENG Heping.Several improved methods of laser-induced breakdown spectroscopy[J].Experimental Technology and Management，2022，39（7）：24-29.

[4]潘高威，史晉芳，邱榮，等.一種針對激光誘導(dǎo)擊穿光譜技術(shù)的基線校正方法[J].應(yīng)用光學(xué)，2022，43（3）：538-543.

PAN Gaowei，SHI Jinfang，QIU Rong，et al.A baseline correction method for laser-induced breakdown spectroscopy[J].Application Optics，2022，43（3）：538-543.

[5]丁雨昊，呂干云，劉永衛(wèi)，等.考慮碳排放目標(biāo)約束和需求側(cè)響應(yīng)的綜合能源系統(tǒng)日前優(yōu)化調(diào)度[J].南方電網(wǎng)技術(shù)，2022，16（8）：1-11.

DING Yuhao，LV Qianyun，Liu Yongwei，et al.Day-ahead optimal scheduling of integrated energy systems considering carbon emission target constraints and demand-side response[J].China Southern Power Grid Technology，2022，16（8）：1-11.

[6]白銳，趙燦，何平，等.基于DCNN-LSTM-AE-AM的短期電力負(fù)荷和碳排放量預(yù)測方法及系統(tǒng)：CN202211425385.7[P].2023-04-07.

BAI Rui，ZHAO Can，HE Ping，et al.Short-term power load and carbon emission prediction method and system based on DCNN-LSTM-AE-AM：CN202211425385.7[P].2023-04-07.

[7]MOULIJIN J A，NATER K A，G C H A.1987 international conference on coal science：Proceedings of the 1987 international conference on coal science，maastricht，the netherlands[J].Neurocomputing，1987，71（4-6）：26-30.

[8]OTTESEN D K，BAXTER L L，RADZIEMSKIL J，et al.Laser spark emission spectroscopy for in-situ，real-time monitoring of pulverized coal particle composition[J].Energy & Fuels，1991，5（2）：304-312.

[9]BLEVINS L G，SHADDIX C R，SICKAFOOSE S M E A.Laser-induced

breakdown spectroscopy at high temperatures in industrial boilers and furnaces[J].Applied Optics，2003，42（30）：1-12.

[10]GAFT M，SAPIR-SOFER I，MODIANO H，et al.Laser induced breakdown spectroscopy for bulk minerals online analyses[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2007，62（12）：1496-1503.

[11]GAFT M，DVIR E，MODIANO H，et al.Laser induced breakdown spectroscopy machine for online ash analyses in coal[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2008，63（10）：1177-1182.

[12]ROMERO C E，CRAPARO J，WEISBERG A E A.Laser-induced breakdown spectroscopy for coal characterization and assessing slagging propensity[J].Energy & Fuels，2010，24（1）：510-517.

[13]ZHANG Y，SHI M，WANG J，et al.Occurrence of uranium in Chinese coals and its emissions from coal-fired power plants[J].Fuel，2016，166：404-409.

[14]ZHANG Y，SHANG P，WANG J，et al.Trace element （Hg，As，Cr，Cd，Pb） distribution and speciation in coal-fired power plants[J].Fuel，2017，208：647-654.

[15]DENG Y，PENG B，HAO Y，et al.Laser-induced breakdown spectroscopy of aqueous silicone rubber in an argon environment[J].Frontiers in Materials，2022，9：1016209.

[16]KURIHARA M，IKEDA K，IZAWA Y E A.Optimal boiler control through real-time monitoring of unburned carbon in fly ash by laser-induced breakdown spectroscopy[J].Applied Optics，2003，42（30）：1-7.

[17]CTVRTNICKOVA T，MATEO M P，YAEZ A，et al.Application of LIBS and TMA for the determination of combustion predictive indices of coals and coal blends[J].Applied Surface Science，2011，257（12）：5447-5451.

[18]STIPE C B，MILLER A L，BROWN J E A.Evaluation of Laser-Induced Breakdown Spectroscopy（LIBS） for measurement of silica on filter samples of coal dust[J].Applied Spectroscopy，2012，66（11）：1286-1293.

[19]ZHANG L，GONG Y，LI Y E A.Development of a coal quality analyzer for application to power plants based on laser-induced breakdown spectroscopy[J].Spectrochimica Acta Part B：Atomic Spectroscopy，2015，113：167-173.

[20]楊啟帆，段大衛(wèi)，李楠，等.基于主成分分析的串聯(lián)電池組故障診斷實用方法[J].電力自動化設(shè)備，2022，42（12）：210-216.

YANG Qifan，DUAN Dawei，LI Nan，et al.A practical method for fault diagnosis of series battery packs based on principal component analysis[J].Electric Power Automation Equipment，2022，42 （12）：210-216.

[21]周宇麒，謝曉華，何郎，等.一種基于通道加權(quán)魯棒性主成分分析的三維脈波影像去噪方法及系統(tǒng)：CN201910845210.3[P].2022-09-30.

ZHOU Yuqi，XIE Xiaohua，HE Lang，et al.A Three-dimensional pulse image denoising method and system based on channel weighted robust principal component analysis：CN201910845210.3[P].2022-09-30.

[22]陳鳳霞，楊天偉，李杰慶，等.基于偏最小二乘法判別分析與隨機(jī)森林算法的牛肝菌種類鑒別[J].光譜學(xué)與光譜分析，2022，42（2）：549-554.

CHEN Fengxia，YANG Tianwei，LI Jieqing，et al.Identification of boletus species based on partial least squares discriminant analysis and random forest algorithm[J].Spectroscopy and Spectral Analysis，2022，42（2）：549-554.

[23]LI A，ZHANG X，WANG X，et al.High-accuracy quantitative analysis of coal by small samplemodelling algorithm based laser induced breakdown spectroscopy[J].Journal of Analytical Atomic Spectrometry，2022，37（10），2022-2032.

[24]尹晨，周世超，何建樑，等.基于多源同步信號與深度學(xué)習(xí)的刀具磨損在線識別方法[J].中國機(jī)械工程，2021，32（20）：2482-2491.

YIN Chen，ZHOU Shichao，HE Jianliang，et al.Online tool wear identification method based on multi-source synchronous signal and deep learning[J].China Mechanical Engineering，2021，32（20）：2482-2491.

[25]唐振宇，黃凱，楊期江，等.基于相關(guān)系數(shù)稀疏表征的轉(zhuǎn)子振動信號周期特征提取[J].機(jī)床與液壓，2022，50（17）：200-205.

TANG Zhenyu，HUANG Kai，YANG Qijiang，et al.Periodic feature extraction of rotor vibration signal based on sparse representation of correlation coefficient[J].Machine tool and hydraulic，2022，50（17）：200-205.

[26]

黃建軍，李雪梅，滕宏泉.基于偏最小二乘法的黃土濕陷性評價模型[J].災(zāi)害學(xué)，2021，36（2）：60-64.

HUANG Jianjun，LI Xuemei，TENG Hongquan.Evaluation model of loess collapsibility based on partial least squares method[J].Disasterology，2021，36（2）：60-64.

[27]張驍棟，朱建華，康曉明，等.中國濕地溫室氣體清單編制研究進(jìn)展[J].生態(tài)學(xué)報，2022，42（23）：9417-9430.

ZHANG Xiaodong，ZHU Jianhua，KANG Xiaoming，et al.Research progress of wetland greenhouse gas inventory in China[J].Acta Ecologica Sinica，2022，42（23）：9417-9430.

[28]李光華，高健，鄧順熙，等.渭南市道路移動源高分辨溫室氣體排放清單及特征研究[J].環(huán)境科學(xué)學(xué)報，2022，42（12）：332-340.

LI Guanghua，GAO Jian，DENG Shunxi，et al.Study on high-resolution greenhouse gas emission inventory and characteristics of road mobile sources in Weinan city[J].Journal of Environmental Sciences，2022，42（12）：332-340.

（責(zé)任編輯：高佳）