基于信息熵的生物質(zhì)氣化爐預(yù)測

黃　俊，羅　偉

(湖南鐵道職業(yè)技術(shù)學(xué)院，湖南 株洲　412001)

?

基于信息熵的生物質(zhì)氣化爐預(yù)測

黃俊，羅偉

(湖南鐵道職業(yè)技術(shù)學(xué)院，湖南 株洲412001)

摘要：針對生物質(zhì)氣化過程的復(fù)雜特性，提出一種基于信息熵的生物質(zhì)氣化爐溫度預(yù)測方法。首先,該模型利用灰色過程神經(jīng)網(wǎng)絡(luò)模型及預(yù)測模型對生物質(zhì)氣化爐的溫度分別進(jìn)行預(yù)測，通過使用信息熵法確定預(yù)測子模型的加權(quán)系數(shù)；然后把兩個(gè)子模型進(jìn)行加權(quán)集成，從而得到更加準(zhǔn)確的爐溫預(yù)測模型，確保了生物質(zhì)氣化爐溫度的穩(wěn)定控制。仿真效果表明了該方法的有效性。

關(guān)鍵詞：生物質(zhì)；氣化爐；爐溫；信息熵

0引言

生物質(zhì)氣化爐其特別之處在于其外形與傳統(tǒng)的煤球爐相比，多了一根長管子。其原理是：通過在缺氧、高溫的條件下，將茅草、樹葉、秸稈和廢菌棒等農(nóng)業(yè)生產(chǎn)和自然生長的可再生資源及農(nóng)業(yè)有機(jī)廢棄物作為原料，使原料在發(fā)生熱化學(xué)反應(yīng)并熱裂解生成可燃性混合氣體的同時(shí)產(chǎn)生熱量。這些通過熱化學(xué)反應(yīng)產(chǎn)生的熱量能被直接利用于農(nóng)民朋友的生產(chǎn)、生活當(dāng)中，為農(nóng)民生活做出極大貢獻(xiàn)。生物質(zhì)氣化爐的使用，不僅可以變廢物為資源，還能極大地改善廣大農(nóng)民朋友的生活環(huán)境，在改善農(nóng)村炊事條件和降低環(huán)境污染方面做出的貢獻(xiàn)尤為顯著，價(jià)值極大[1-2]。

生物質(zhì)氣化過程很難用精確的數(shù)學(xué)模型表達(dá)，原因在于它是一個(gè)具有非線性、不穩(wěn)定性、非最小相位特征、大時(shí)滯和負(fù)荷干擾特點(diǎn)的動(dòng)態(tài)過程[3]，并且包含許多不確定性因素，一般的控制系統(tǒng)很難達(dá)到預(yù)期控制效果。現(xiàn)今，大多對生物質(zhì)氣化爐采用控制的手段[3]，但為進(jìn)一步提高對生物質(zhì)氣化爐溫度的控制精度，增強(qiáng)后續(xù)控制的穩(wěn)定性，有必要對生物質(zhì)氣化爐的溫度進(jìn)行預(yù)測。

灰色預(yù)測是以GM(1,1)模型為基礎(chǔ)，并且無需建立被控對象模型，能根據(jù)已有的行為特征量中找到規(guī)律，從而預(yù)測將來的系統(tǒng)行為；當(dāng)預(yù)測出系統(tǒng)將來的行為趨勢，灰色預(yù)測會(huì)將與之對應(yīng)的決策制定出來。因?yàn)檫@個(gè)控制決策是對系統(tǒng)將來行為動(dòng)作的提前預(yù)測控制，并且具有自適應(yīng)性強(qiáng)、結(jié)構(gòu)簡單及速度快等優(yōu)點(diǎn)，在復(fù)雜的動(dòng)態(tài)過程中采用灰色預(yù)測比較適合，且可以較好地滿足復(fù)雜動(dòng)態(tài)系統(tǒng)的實(shí)時(shí)控制[4-]。對傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)來說，過程神經(jīng)網(wǎng)絡(luò)是在其時(shí)間域上的擴(kuò)展, 且時(shí)變函數(shù)可以作為過程神經(jīng)網(wǎng)絡(luò)的輸入和與其相對應(yīng)的連接權(quán)。因?yàn)檫^程神經(jīng)網(wǎng)絡(luò)的非線性具有一種時(shí)變映射能力，所以適合應(yīng)用在無需精確數(shù)學(xué)模型的過程建模中；對于時(shí)變系統(tǒng)可以充分反映其實(shí)際存在的時(shí)間累積效應(yīng)，因此過程神經(jīng)網(wǎng)絡(luò)非常適合運(yùn)用在復(fù)雜的非線性過程建模[6-7]之中。

生物質(zhì)氣化過程是一類具有非線性、強(qiáng)耦合及時(shí)變的復(fù)雜工業(yè)過程，對其進(jìn)行控制時(shí)，如果只采用經(jīng)典控制和現(xiàn)代控制這兩個(gè)理論的話很難達(dá)到理想的控制效果。因此，針對生物質(zhì)氣化過程的復(fù)雜特性，本文提出了一種基于信息熵的生物質(zhì)氣化爐溫度加權(quán)預(yù)測模型。該加權(quán)預(yù)測模型分別通過采用過程神經(jīng)網(wǎng)絡(luò)模型灰色預(yù)測方法和灰色預(yù)測方法對氣化爐進(jìn)行溫度預(yù)測；同時(shí)，為了得到溫度預(yù)測結(jié)果的最佳效果、保證穩(wěn)定的生物質(zhì)氣化爐溫度，本文以信息熵法來得到較為準(zhǔn)確的子模型加權(quán)系數(shù)，并加權(quán)集成子模型。

1工藝分析

生物質(zhì)碳和氣體兩者之間的非均相反應(yīng)氣體及均相反應(yīng)是生物質(zhì)氣化過程的本質(zhì)。該氣化過程非常復(fù)雜，在氣化設(shè)備、反應(yīng)條件(如氣化反應(yīng)劑的種類、氣化原料種類、原料的含水率、氣化反應(yīng)溫度、反應(yīng)時(shí)間、有無催化劑的添加等)的不同及氣化工藝過程差異的情況下，反應(yīng)過程也大相庭徑，一般都會(huì)經(jīng)歷4個(gè)過程：即干燥、熱解、氧化、還原。在這4個(gè)反應(yīng)過程之中，屬于放熱反應(yīng)的只有氧化反應(yīng)，這些釋放出來的熱量會(huì)為其它3個(gè)過程(即生物質(zhì)干燥、熱解和還原)提供熱量。上述4個(gè)反應(yīng)過程在實(shí)際氣化過程中沒有明確的邊界，它們會(huì)相互滲透、交錯(cuò)。

在生物質(zhì)氣化爐中，爐中溫度變化的主要影響因素有3方面：①生物質(zhì)熱值的變化；②生物質(zhì)給料量的變化；③一次風(fēng)量的變化。由此可知生物質(zhì)氣化過程是一個(gè)具有高度非線性、時(shí)變特性、大滯后的復(fù)雜農(nóng)業(yè)生產(chǎn)過程。為確保氣化爐的溫度穩(wěn)定在生產(chǎn)工藝所需范圍內(nèi)，生物質(zhì)氣化過程的動(dòng)態(tài)模型的建立對確保穩(wěn)定控制氣化爐溫度有著非比尋常的意義。為此，本文提出了一種基于灰色預(yù)測和過程神經(jīng)網(wǎng)絡(luò)的集成預(yù)測模型對生物質(zhì)氣化爐進(jìn)行預(yù)測的方法。

2生物質(zhì)氣化爐溫度預(yù)測模型

為了提高氣化爐的溫度預(yù)測精度，盡可能接近氣化爐實(shí)際溫度值，本文通過采用信息熵值的信息方法將灰色預(yù)測方法和神經(jīng)網(wǎng)絡(luò)方法進(jìn)行加權(quán)組合，得到氣化爐溫度的精確預(yù)測模型。

2.1氣化爐溫度灰色預(yù)測模型

灰色模型中常用的模型為GM(1, 1)模型。通過分析生物質(zhì)氣化爐的溫度數(shù)據(jù)，可以了解到氣化爐溫度數(shù)據(jù)具有一定的灰色特性，所以使用灰色預(yù)測方法可以較好地解決氣化爐溫度的預(yù)測問題。對于生物質(zhì)氣化過程的預(yù)測來說，主要通過歷史時(shí)刻氣化爐溫度來對將來時(shí)刻的氣化爐溫度進(jìn)行預(yù)測。為此，可采用GM(1, 1)模型對其進(jìn)行預(yù)測，步驟如下。

(1)

GM(1, 1)模型要求生物質(zhì)氣化爐的原始數(shù)據(jù)序列具有單調(diào)性、上凹性和非負(fù)性變化特性，那么模型預(yù)測條件的充要條件為數(shù)列維數(shù)n≥4(通常取4～8個(gè)數(shù)據(jù)建模)。原始數(shù)據(jù)列的分布及建模維數(shù)關(guān)乎GM(1, 1)模型的預(yù)測精度，太多的舊信息容易湮沒新信息的特點(diǎn)，造成氣化爐溫度預(yù)測對系統(tǒng)波動(dòng)的反應(yīng)遲緩，減弱其跟蹤性能。另外，一般建模維數(shù)為6 。為此，選取氣化爐溫度歷史數(shù)據(jù)為6，即取n=6。

(2)

(3)

步驟 3：建立灰微分方程，氣化爐溫度的灰色GM(1,1)模型描述為

(4)

k=2, 3, …, 6

(5)

其中，θ(0<θ<1)為常數(shù)系數(shù)，結(jié)合氣化爐溫度的特點(diǎn)，θ取值為0.5。

將(5) 式寫成如下的矩陣形式，有

(6)

(7)

(8)

(9)

步驟 4：運(yùn)用最小二乘法求參數(shù)a、b，有

(10)

步驟 5：氣化爐溫度的GM(1, 1)模型對應(yīng)的一階白化微分方程為

(11)

初始條件為

(12)

則一次累加生成氣化爐溫度的灰色預(yù)測值為

k=1, 2, 3, …, 6

(13)

步驟6：累減還原并得到氣化爐溫度歷史數(shù)據(jù)的預(yù)測值，由IAGO的定義，有

x(0)(k+1)=x(1)(k+1)-x(1)(k)

(14)

將式(13)代入式(14)，得到氣化爐溫度累減還原后的預(yù)測值為

k=1, 2, 3, …, 6

(15)

2.2氣化爐過程神經(jīng)網(wǎng)絡(luò)方法

由于生物質(zhì)氣化爐的溫度不會(huì)突然發(fā)生變化，所以選擇采用氣化爐歷史溫度數(shù)據(jù)來預(yù)測當(dāng)前時(shí)刻的氣化爐溫度，以此將氣化爐溫度數(shù)據(jù)的時(shí)間相關(guān)性反映出來。由于人工神經(jīng)網(wǎng)絡(luò)具有函數(shù)逼近和非線性映射能力的特點(diǎn)，而且能把過程控制量在實(shí)際中將自身的時(shí)間相關(guān)性也反映出來，有些學(xué)者提出了由若干過程神經(jīng)元和一般非時(shí)變神經(jīng)元按一定拓?fù)浣Y(jié)構(gòu)組合而成的過程神經(jīng)網(wǎng)絡(luò)模型方法。這種方法的權(quán)值和輸入都是時(shí)變函數(shù)，聚合運(yùn)算包括對時(shí)間過程的累積及對空間的多輸入聚合這兩部分，可以將時(shí)間序列中存在的時(shí)間累積效應(yīng)充分地反映出來。

基于過程神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立的的總體思想上，具有3層結(jié)構(gòu)的典型的過程神經(jīng)網(wǎng)絡(luò)模型如圖1所示，1-7-1為拓?fù)浣Y(jié)構(gòu)。

圖1　典型的過程神經(jīng)網(wǎng)絡(luò)模型方法

(16)

其中，過程神經(jīng)元的輸入函數(shù)用x(t)表示；相應(yīng)的連接權(quán)函數(shù)用wi(t)表示；從隱層節(jié)點(diǎn)到輸出節(jié)點(diǎn)的連接權(quán)值用vi表示；樣本采樣區(qū)間用[0,T]表示；激勵(lì)函數(shù)用f(·)表示；過程神經(jīng)元的閾值用θ表示。

根據(jù)Weierstrass所提出的逼近定理和Gram-Schmidt正交化過程，式(16)可化簡為

(17)

其中，an,win∈R是展開式系數(shù)。

(18)

為降低網(wǎng)絡(luò)對誤差曲面局部細(xì)節(jié)的敏感性，進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，本文采用文獻(xiàn)[8]中提出的為訓(xùn)練參數(shù)的調(diào)整加動(dòng)量項(xiàng)及具有自適應(yīng)學(xué)習(xí)速率的方法。

2.3基于信息熵的模型

為了讓軟測量結(jié)果盡可能與實(shí)際的軟測量行為情況相接近，必須通過建立灰色軟測量模型及過程神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行集成。文中的信息熵算法是一種以加權(quán)算法為基礎(chǔ)的集成方法。為建立起氣化爐溫度模型，先將上述兩個(gè)單一模型進(jìn)行加權(quán)處理，之后通過熵值遞推算法來綜合兩個(gè)模型使得加權(quán)系數(shù)得到優(yōu)化。

(19)

其中，ωi為第i個(gè)模型的加權(quán)系數(shù)。

為保證可解釋性，ωi必須滿足

(20)

其中，表示在第t時(shí)刻、第i個(gè)模型的軟測量相對誤差。則有

(21)

信息嫡的基本思想：在氣化爐溫度模型的兩個(gè)時(shí)刻的模型(即當(dāng)前t時(shí)刻的模型及其上一1時(shí)刻的模型)的相對誤差的基礎(chǔ)上，氣化爐溫度量的相對誤差序列從而建立，并采用信息熵值先進(jìn)方法推算確定加權(quán)系數(shù)。

步驟1：m為初始化模型的個(gè)數(shù)，取值為2；i為模型序號，取值為1；當(dāng)前采樣時(shí)刻為系統(tǒng)時(shí)間點(diǎn)t；n為迭代次數(shù)取值為0。

步驟2：計(jì)算第i個(gè)軟測量模型在t時(shí)刻下的相對軟測量誤差，并增加迭代計(jì)數(shù)n=n+1。

步驟3：考慮工程實(shí)施的可行性，如果n=2成立，那么算法就進(jìn)入到步驟2進(jìn)行重新計(jì)算，反之轉(zhuǎn)到步驟4。

步驟4：根據(jù)式(22)，計(jì)算第i個(gè)模型在t時(shí)刻下的相對預(yù)測誤差比重pit，有

(22)

步驟5：根據(jù)式(23)在t時(shí)刻下，計(jì)算第i個(gè)模型相對預(yù)測量誤差的熵值Eit。有

Eit=-r(pitlnpit+pi,t+1lnpi,t+1)

(23)

步驟6：通過變異程度與其軟測量相對誤差的熵值大小相反的原則，根據(jù)式(24)并計(jì)算出第i個(gè)單一模型軟測量相對誤差序列的變異程度系數(shù)dit，有

dit=1-Eit,i=1,…,m

(24)

步驟7：如果i=m成立，則表示所有參與加權(quán)計(jì)算的模型都被遍歷，之后轉(zhuǎn)至步驟8進(jìn)行處理；剩余模型繼續(xù)進(jìn)行計(jì)算，令t=t+1，i=i+1，步驟2重復(fù)進(jìn)行。

步驟8：根據(jù)式(25)，計(jì)算出第i個(gè)單一軟測量模型在t時(shí)刻下的加權(quán)系數(shù)ωit，有

(25)

(26)

3仿真實(shí)驗(yàn)

針對生物質(zhì)氣化爐溫度預(yù)測問題，建立過程神經(jīng)網(wǎng)絡(luò)和灰色預(yù)測這兩個(gè)模型，運(yùn)用信息熵算法得到生物質(zhì)氣化爐溫度預(yù)測模型。

將本文方法與灰色預(yù)測進(jìn)行對比實(shí)驗(yàn)，分別采用該氣化爐實(shí)際運(yùn)行的3000組數(shù)據(jù)和在相同條件下的500組數(shù)據(jù)作為訓(xùn)練樣本和試驗(yàn)樣本。以此來驗(yàn)證在實(shí)際生產(chǎn)中本文方法的有效性。根據(jù)上節(jié)加權(quán)系數(shù)的確定步驟，可得到氣化爐溫度模型，即

(27)

圖2為仿真對比實(shí)驗(yàn)在樣本數(shù)據(jù)相同的條件下，所得的結(jié)果。由圖2看出：單純的灰色預(yù)測方法在生物質(zhì)氣化這一復(fù)雜過程中，僅考慮到了溫度變化在時(shí)間序列上的連續(xù)性，沒能夠綜合考慮多個(gè)對氣化爐溫度有影響的其他因素，導(dǎo)致預(yù)測精度比較低，通過計(jì)算實(shí)際檢測值與最終的預(yù)測曲線的平均誤差值，其結(jié)果高達(dá)23.5%。而本文所采用的以信息熵為基礎(chǔ)的信息熵算法，可以集灰色預(yù)測模型和過程神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)為一體，讓預(yù)測精度得到提高，平均誤差通過計(jì)算后所得的值只有4%。

圖2　仿真對比試驗(yàn)

4結(jié)論

針對生物質(zhì)氣化過程的預(yù)測問題，為確定單一預(yù)測模型的加權(quán)系數(shù)，運(yùn)用信息論中的熵值法來進(jìn)行解決，并加權(quán)集成過程神經(jīng)網(wǎng)絡(luò)模型方法和灰色預(yù)測模型方法的預(yù)測結(jié)果，同時(shí)建立智能集成預(yù)測模型，以此將生物質(zhì)氣化爐的溫度較為精確地預(yù)測出來。通過比較其與單一的過程神經(jīng)網(wǎng)絡(luò)模型和灰色模型的預(yù)測性能，本文所提出的方法更具有有效性。

參考文獻(xiàn)：

[1]王中賢, 張紅, 陳興元, 等.熱管生物質(zhì)氣化爐的模擬與試驗(yàn)[J].江蘇大學(xué)學(xué)報(bào):自然科學(xué)版, 2008, 29(6): 512-515.

[2]李鵬，王維新，吳杰，等．生物質(zhì)氣化及氣化爐的研究進(jìn)展[J]．新疆農(nóng)機(jī)化，2007，10(3) : 46-48．

[3]劉輝．基于混合粒子群算法的生物質(zhì)氣化爐改進(jìn)模糊串級控制[J].儀器儀表學(xué)報(bào)，2011,32(3):583-5890.

[4]王天堃，周黎輝，韓璞，等.基于灰色廣義預(yù)測控制的網(wǎng)絡(luò)化控制系統(tǒng)丟包補(bǔ)償[J]．信息與控制，2007，36 (3): 322-327.

[5]鄧聚龍．灰色控制系統(tǒng)[M]．武漢：華中理工大學(xué)出版社，1993.

[6]HE Xing-gui, LIANG Jiu-zhen. Process neural network[C]//In: Shi ZZ, Faltings B, Musen M, eds.Proceedings of the Conference on Intelligent Information Processing,Beijing: Publishing House of Electronics Industry, 2000: 143-146.

[7]何新貴, 梁久禎.過程神經(jīng)網(wǎng)路的若干理論問題[J].中國工程科學(xué), 2000, 2(12): 40-41.

[8]鐘詩勝, 樸樹學(xué),丁剛.改進(jìn)BP算法在過程神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2006, 38(6): 840-842.

Biomass Gasification Furnace Prediction Based on Information Entropy

Huang Jun, Luo Wei

(Hunan Railway Professional Technology College,Zhuzhou 412001，China)

Abstract：Aiming at the complex characteristics of biomass gasification process, proposes a prediction model of biomass air gasification furnace temperature based on information entropy, the model first by using the grey forecast model and the process neural network model to predict the temperature respectively net biomass gasification furnace, then using information entropy to determine the weight coefficient of each prediction model, the two sub models are weighted integration, obtain more models predict biomass gasification furnace temperature accurately, to ensure a stable temperature control of biomass gasification furnace. The simulation results show the effectiveness of the proposed method.

Key words：biomass； gasified; temperature; information entropy

文章編號：1003-188X(2016)01-0242-05

中圖分類號：S216

文獻(xiàn)標(biāo)識碼：A

作者簡介：黃俊(1970-)，男，湖南湘潭人，講師，(E-mail)734192664@qq.com。通訊作者：羅偉(1979-)，男，湖南株洲人，副教授，碩士，(E-mail)29607150@qq.com。

基金項(xiàng)目：湖南省教育廳科學(xué)研究項(xiàng)目(13C591)

收稿日期：2015-01-07