【技术实现步骤摘要】
本专利技术涉及厌氧消化各产物产量预测方法，具体而言，涉及一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法及系统。
技术介绍
1、厌氧消化(ad)利用厌氧消化技术处理有机废弃物，是在无氧条件下进行的生物化学反应，厌氧菌分解有机物产生生物气，其发酵反应是一个复杂的生化过程，包括水解、酸化和产甲烷三个阶段。厌氧消化过程建模是控制和预测有机质发酵程度的有效工具，基于精确ad过程的数学模型可以对ad产甲烷工艺的强化控制进行仿真模拟，帮助改进实际生产中的工艺参数，有助于提高产甲烷效率。
2、针对生物甲烷产气过程的建模方法，目前主要可分为3大类：机理建模、数据驱动建模和混合建模。机理建模具有很好的可解释性，但该方法需要对发酵过程各阶段的质能传递机理均透彻剖析，并能以公式形式表达出来。此外，目前ad过程中微生物参与下的部分生化反应详细机理仍然不明晰，故建立完整纯机理模型的难度巨大；数据驱动建模方法具有模型开发周期短、求解速度快等优点，但其对数据的依赖性较强，小样本条件下模型泛化能力弱、预测精度差，所建模型可推广性受限；混合建模集合了以上两类建模方法的优点，针对机理明确的发酵过程部分，其采用能描述过程反应机理的系列动力学方程组建模，而对于发酵过程中过于复杂或机理未知的部分，则其以数据驱动方式建模。该方法能有效降低建立ad产气全过程模型的复杂度，提高整体模型求解速度的同时提升模型的泛化能力。
3、截至目前，有关ad产气过程混合建模的研究已经取得了一些成果，例如：许光等提出与机理杂交的支持向量机发
4、此外，在ad产气过程混合建模过程中，了解厌氧消化过程中产生的硫化氢、生物气以及甲烷含量对厌氧消化性能以及后续纯化有重要的指导意义，而现有技术如专利一种厌氧消化中硫化氢产生量的智能预测方法(申请号：cn202011245761.5)，仅实现了对单一目标的预测，并没有建立同步预测多目标的模型，这会造成技术人员和研究人员对厌氧消化过程的认识不够完善，无法直观的评估系统现状且难以为后续的性能优化提供保证。与此同时，在单一目标预测时，由于厌氧消化过程具有复杂性和非线性的特点，难以将参数与预测变量间的关联及影响深入研究，尤其是在数据量不多或数据波动大的情况下，而现有技术中并未实现这一目标。
技术实现思路
1、本专利技术要解决的技术问题是：
2、为了解决现有厌氧消化过程的混合建模方法中仅能实现对单一目标进行预测，无法实现对多目标的同步预测，且由于厌氧消化过程的复杂性和非线性，难以获取单一目标准确预测的问题。
3、本专利技术为解决上述技术问题所采用的技术方案：
4、本专利技术提供了一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，包括以下步骤：
5、s100、收集并预处理厌氧消化各产物产量的非平稳和非线性时间序列数据，包括数据收集、数据预处理和数据划分；
6、s200、利用ceemdan-ssa算法对s100预处理后的数据进行分解，提取多个内在模态函数imfs和一个残差项，再将得到含噪声最大的imf1输入至ssa进行降噪处理；
7、s300、采用粒子群优化算法优化bilstm网络的结构参数，设计一个双向长短期记忆网络，使用粒子群优化算法对其参数进行优化，所述参数包括学习率α、网络层数l和每层的神经元数量nl，以达到预测准确性的最大化；
8、s400、将ceemdan-ssa提取的特征作为bilstm网络的输入，进行各产物产量的预测，使用误差函数e最小化网络参数，将各模态分量得到的预测值进行相加，得到对应的预测结果。
9、1、根据权利要求1所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s100中，包括：
10、s110、数据收集，选择厌氧效果的原料经过处理后被送入厌氧消化罐中进行中温厌氧消化，收集影响各产物产量的关键指标数据；
11、s120、数据预处理，将步骤s110收集的数据进行预处理，包括数据清洗、标准化或归一化处理，以及缺失值检测和处理；
12、s130、数据划分，将预处理后的数据划分为测试集和训练集。
13、3、根据权利要求2所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s200中，所述ceemdan过程包括：
14、s210、添加白噪声，向原始信号x(t)添加标准差为ε的白噪声un(t)，形成新的信号序列xn(t)＝x(t)+εun(t)，其中n＝1，2，...，k，k表示实现的次数；
15、s220、emd分解，对每次实现后的信号进行emd分解，计算第一个imf：
16、
17、s230、计算剩余，将第一阶段分解后剩余部分计算为r1(t)＝x(t)-imf1(t)；然后将r1(t)+ε1emd1(un(t))通过emd进一步分解以计算第二个imf模式和相应的残差；
18、s240、第k阶段分解，对于第k阶段，第k个残差和第k+1个imf通过以下公式计算：
19、rk(t)＝rk-1(t)-imfk(t)
20、
21、s250、重复上述步骤直到残差rk(t)不再被分解；最终，原始信号x(t)被分解为：
22、
23、其中，n为样本数；r(t)是最终的残余部分，即残差项。
24、进一步地，在步骤s300中，包括：
25、在设计双向长短期记忆网络时，为使bilstm在验证集上的误差最小，定义一个适应度函数f，其基于均方误差损失为：
26、
27、其中，yi为真实数据，为预测数据；
28、适应度函数定义为：
29、f＝lossvalidation(bilstm(p))
30、其中，p是bilstm模型的一个参数向量，包括学习率和每层的神经元数量。
31、进一步地，在步骤s300中，所述粒子群优化算法优化bilstm网络过程包括：
32、s321、初始化，设定bilstm的参数范围并初始化pso的参数；
33、s322、评估初始解，对于每个粒子，使用其当前位置的bilstm参数进行训练，并在验证集上计算适应度函数值；
34、s323、更新速度和位置，对于每个粒子，比较其当前适应度函数值与本文档来自技高网...
【技术保护点】
1.一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，在步骤S100中，包括：
3.根据权利要求2所述的一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，在步骤S200中，所述CEEMDAN过程包括：
4.根据权利要求3所述的一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，在步骤S300中，包括：
5.根据权利要求4所述的一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，在步骤S300中，所述粒子群优化算法优化BiLSTM网络过程包括：
6.根据权利要求5所述的一种基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法，其特征在于，在步骤S400中，包括：
7.一种基于CEEMDAN分解与PS
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现权利要求1-6中任一项所述的基于CEEMDAN分解与PSO优化BiLSTM的厌氧消化过程多目标预测方法的步骤。
...【技术特征摘要】
1.一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s100中，包括：
3.根据权利要求2所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s200中，所述ceemdan过程包括：
4.根据权利要求3所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s300中，包括：
5.根据权利要求4所述的一种基于ceemdan分解与pso优化bilstm的厌氧消化过程多目标预测方法，其特征在于，在步骤s...
【专利技术属性】
技术研发人员：余艳鸽，平扬，孔德安，曹广丽，张振洲，商放泽，储李节，闫笑川，刘冰峰，陈秋宇，徐浩，陈杰，
申请(专利权)人：中电建生态环境集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。