【技术实现步骤摘要】
本专利技术涉及生物气体产量预测方法，具体而言，涉及一种基于ceemdan分解与pso优化多层感知器的生物气体预测方法及系统。
技术介绍
1、厌氧消化(ad)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酵过程模型，表明混合模型预测性能优于传统单一模型；范庆丽等将改进的支持向量机模型和传统厌氧发酵动力学模型相结合，弥补了单一发酵模型的不精确性。尽管如此，目前有关厌氧发酵产气过程混合模型
技术实现思路
1、本专利技术要解决的技术问题是：
2、为了解决由于厌氧消化过程的复杂性和非线性，难以获取生物气准确预测，且模型的泛化能力差、预测精度低及求解速度低的问题。
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优化多层感知器的生物气体预测方法，包括以下步骤：
5、s100、收集并预处理包含生物气体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；
7、s300、采用粒子群优化算法优化mlp网络的结构参数，设计一个多层感知器网络，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提取的特征作为mlp网络的输入，进行生物气体产量的预测，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、进一步地，在步骤s100中，包括：
10、s110、数据收集，选择生物气体生产的原料进行生物气体生产，原料经过处理后被送入厌氧发酵罐中进行中温厌氧发酵，收集影响生物气体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、进一步地，，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、在设计多层感知器网络时，为使mlp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(mlp(p))
30、其中，p是mlp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mlp网络过程包括：
32、s321、初始化，设定mlp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mlp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个体最佳的适应度函数值及全局最佳的适应度函数值，如果当前适应度函数值优于个体最佳的适应度函数值，更新个体最佳位置及其适应度函数值；如果当前适应度函数值优于全局最佳的适应度函数值，更新全局最佳位置及其适应度函数值；
35、使用以下公式更新粒子的速度和位置：
36、
37、其中，是粒子i在时间t的速度，w是惯性权重，c1和c1是学习因子，r1和r2是[0,1]之间的随机数，pbesti是粒子i的个体最佳位置，gbest是全局最佳位置；
38、s324、评估新的解，使用更新后的mlp参数，重新训练神经网络，并计算适应度函数值；
39、s325、更新个体最佳粒子和全局最佳粒子，再次比较新粒子的适应度函数值与个体最佳适应度函数值和全局最佳适应度函数值，并据此更新；
40、s326、检查停止条件，当达到最大迭代次数时，终止算法；
41、s327、返回最佳解，返回全局最佳位置，定义mlp的最佳配置。
42、进一步地，在步骤s400中，包括：
43、s410、设输入层、隐藏层本文档来自技高网...
【技术保护点】
1.一种基于CEEMDAN分解与PSO优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，其特征在于，在步骤S300中，所述粒子群优化算法优化MLP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优化多层感知器的生物气体预测方法，其特征在于，在步骤S400中，包括：
7.一种基于CEEMDAN分解与PSO优化多层感知器的生物气体预测系统，其特征在于：该系统具有与上述权利要求1-6
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优化多层感知器的生物气体预测方法的步骤。
...【技术特征摘要】
1.一种基于ceemdan分解与pso优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，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优化多层感知器的生物气体预测方法，其特征在于，在步骤...
【专利技术属性】
技术研发人员：平扬，孔德安，余艳鸽，张振洲，曹广丽，陈杰，储李节，闫笑川，刘冰峰，商放泽，徐浩，陈秋宇，
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。