基于數(shù)據(jù)融合IGA-RGRNN低階煤制甲烷產(chǎn)量預(yù)測模型

榮德生，胡舉爽，趙君君，楊學(xué)鵬

（遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院，葫蘆島 125105）

能源是經(jīng)濟建設(shè)與發(fā)展的基礎(chǔ)，燃料作為現(xiàn)今能源的重要組成部分，其深入研究和合理運用一直是重中之重。天然氣具有清潔干凈，使用方便、燃效高、價格低的優(yōu)勢，是人民生活中使用的主要燃氣資源。近年來國家實施能源多元化戰(zhàn)略，提倡開發(fā)和使用規(guī)?；萍淄榧夹g(shù)，最大限度地使用低質(zhì)或劣質(zhì)燃料制甲烷，因此利用低階煤生產(chǎn)甲烷項目得到了廣泛的關(guān)注[1～2]。在低階煤制甲烷過程中影響甲烷產(chǎn)出量的因素較多，使系統(tǒng)具有隨機性和極強的不穩(wěn)定性。廣義旋轉(zhuǎn)回歸神經(jīng)網(wǎng)絡(luò)RGRNN（rotated generalized regression neural network）擁有處理非線性隨機變量的超強性能，可在低階煤制甲烷產(chǎn)量預(yù)測過程中發(fā)揮極大的潛力[3～4]。改進遺傳算法IGA（improved genetic algorithm）具收斂速率高、布局簡單等優(yōu)勢，在系統(tǒng)預(yù)測過程中可對網(wǎng)絡(luò)進行合理優(yōu)化[5～6]。本研究通過數(shù)據(jù)采集與監(jiān)控系統(tǒng)采集低階煤制甲烷過程實時數(shù)據(jù)，運用信息融合技術(shù)與改進遺傳算法-廣義旋轉(zhuǎn)回歸神經(jīng)網(wǎng)絡(luò)IGA-RGRNN（improve genetic algorithm-rotated generalized regression neural network）算法相結(jié)合的方法建立預(yù)測模型，首次把該算法引入到低階煤制甲烷產(chǎn)量的預(yù)測過程中，解決了系統(tǒng)數(shù)據(jù)存在的精度低、泛化能力弱的問題。

1 低階煤制甲烷多傳感器預(yù)測模型

影響低階煤制甲烷產(chǎn)量的因素眾多，包括原料、加熱條件、添加劑、停留時間、升溫速率等，而這些因素與傳感器之間存在極其復(fù)雜的非線性映射關(guān)系。信息融合是通過對影響甲烷產(chǎn)量產(chǎn)生的變量進行加工構(gòu)成信息序列，使采集與監(jiān)測系統(tǒng)獲取的各項信息流融合成源信息，達到對各項數(shù)據(jù)信息整合的目的。雖然數(shù)據(jù)融合技術(shù)降低了單個采集監(jiān)測系統(tǒng)在預(yù)測過程中的偶然性，但該技術(shù)側(cè)重于數(shù)據(jù)的實時決策，缺乏對未來數(shù)據(jù)的預(yù)測能力，不能對煤制甲烷趨勢進行有效追蹤。因此，利用IGA的全局搜索能力得到RGRNN的最優(yōu)參數(shù)來實現(xiàn)對整個系統(tǒng)的預(yù)測功能，即應(yīng)用IGA-RGRNN預(yù)測方法構(gòu)建低階煤制甲烷產(chǎn)量預(yù)測模型。

1.1 煤制甲烷過程分析

目前較成熟的制甲烷化工工藝方法有氧氣氣化、加氫氣化和催化蒸汽氣化3類。煤中碳元素的質(zhì)量分?jǐn)?shù)一般均大于50%，氧元素一般小于10%，碳氫質(zhì)量比為3。只有反應(yīng)器內(nèi)的碳氫質(zhì)量比越趨近于3才會使得反應(yīng)之后的甲院產(chǎn)量較高。為使反應(yīng)過程中的碳氫達到最佳比值的需要在反應(yīng)器內(nèi)不斷加入適量的氫氣。與煤氧氣氣化和蒸汽氣化比較，煤直接制氫和煤加氫氣化反應(yīng)的溫度條件均偏低且壓力條件偏高。煤加氧氣化反應(yīng)的反應(yīng)溫度區(qū)間為500～800℃左右，反應(yīng)壓力區(qū)間為5～10 MPa，而煤直接制氫反應(yīng)的反應(yīng)溫度區(qū)間為600～850℃左右，反應(yīng)壓力區(qū)間為1～5 MPa，所以可對兩方法加以整合。對于這種以CaO吸收體為基礎(chǔ)的加氫氣化反應(yīng)，選取合適的水蒸汽量和CaO含量，理論上可達到反應(yīng)氣體產(chǎn)物中只含有CH4的效果，即煤直接制甲院系統(tǒng)。

煤制甲烷系統(tǒng)中采用“直接制氫，礦石固化二氧化碳”的方法構(gòu)成煤制甲烷系統(tǒng)，實現(xiàn)一步法制甲烷工藝，其工作原理如圖1所示。

圖1 煤直接制甲烷反應(yīng)Fig.1 Reaction of direct production of methane from coal

反應(yīng)器內(nèi)主要反應(yīng)方程為

理想狀態(tài)下，反應(yīng)器內(nèi)總反應(yīng)為

采用該方法制甲烷具有工藝流程簡單，高能量轉(zhuǎn)換率的優(yōu)點，并且總體反應(yīng)為放熱反應(yīng)，系統(tǒng)無需外界提供熱量，熱效率高。

1.2 信息融合技術(shù)

信息融合技術(shù)可解決復(fù)雜多變環(huán)境中數(shù)據(jù)信息冗雜等問題，RGRNN網(wǎng)絡(luò)在高度非線性的超大規(guī)模連續(xù)時間系統(tǒng)中具有自適應(yīng)信息處理能力，因而將信息融合技術(shù)加入到IGA-RGRNN算法之中。利用采集監(jiān)測系統(tǒng)獲取待處理參數(shù)，然后將多次監(jiān)測獲得的信息作為源融合信息并對其進行融合。

式中：Si為采集數(shù)據(jù)與平均值之間模糊貼近度；wi為相對權(quán)重。

1.3 低階煤煤制甲烷多傳感器預(yù)測過程

多傳感器數(shù)據(jù)融合技術(shù)以多個易測過程信息為基礎(chǔ)，通過各種現(xiàn)代非線性信息處理方法和多傳感器信息融合技術(shù)，對多信息源信號進行處理和智能化合成，以得到比單信息源更完全、更準(zhǔn)確的估計和判別，既可以是物理意義上的傳感器，也可以是對物理傳感器輸出信號的某種處理方法或結(jié)果。

基于IGA-RGRNN的多傳感器低階煤制甲烷產(chǎn)量預(yù)測模型如圖2所示。預(yù)測過程如下。

圖2 IGA-RGRNN多傳感器預(yù)測模型Fig.2 Multi-sensor prediction model based on IGARGRNN

（1）信息采集與初始值設(shè)定。通過監(jiān)控系統(tǒng)與檢測裝置獲取影響甲烷產(chǎn)出量的數(shù)據(jù)信息，并利用信息融合技術(shù)進行處理得到新數(shù)據(jù)作為 IGARGRNN的源信息，對源信息進行數(shù)據(jù)初始化。

（2）組建樣本序列。將初始化的數(shù)據(jù)進行組建使其構(gòu)成包含輸入、輸出信息的序列{X，Y}，其中X∈Rn，Y∈Rn分別表示IGA-RGRNN的輸入變量與輸出變量。

（3）樣本序列進行IGA-RGRNN訓(xùn)練。

（4）誤差校正。根據(jù)參考模型與IGA-RGRNN預(yù)測模型進行差值計算，對系統(tǒng)誤差加以校正。

2 基于IGA-RGRNN預(yù)測模型

將信息融合技術(shù)與IGA-GRNN算法相結(jié)合，創(chuàng)建低階煤制甲烷產(chǎn)量預(yù)測模型。廣義回歸神經(jīng)網(wǎng)絡(luò)可在同一結(jié)構(gòu)下直接以采樣或計算得來的數(shù)據(jù)對網(wǎng)絡(luò)進行修改，無需多次計算參數(shù)重復(fù)訓(xùn)練，這使得它在非線性擬合方面有明顯優(yōu)勢。利用信息融合數(shù)據(jù)和IGA算法在全局范圍搜索時能夠自發(fā)獲得和聚集關(guān)于時間和空間知識優(yōu)化的RGRNN網(wǎng)絡(luò)的最優(yōu)參數(shù)，實現(xiàn)對甲烷產(chǎn)出量的預(yù)測功能[9]。

2.1 RGRNN網(wǎng)絡(luò)模型

廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN（generalized regression neural network）結(jié)構(gòu)如圖3所示，此網(wǎng)絡(luò)神經(jīng)元被激活后通過逐步逼近來完成輸入矢量函數(shù)值從特定區(qū)域到樣本矢量值的映射，適用于集合為一維或數(shù)據(jù)信息分布與高斯分布比較接近的情況，反之將難以達到最優(yōu)的擬合從而增加了計算過程的復(fù)雜性。RGRNN網(wǎng)絡(luò)克服了上述缺點，通過進行旋轉(zhuǎn)坐標(biāo)變換得到最優(yōu)擬合旋轉(zhuǎn)角，再進行擬合使誤差最小[10-12]。

圖3 GRNN網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.3 Schematic of GRNN structure

圖3中，輸入層神經(jīng)元個數(shù)與樣本向量維數(shù)均為m，X=[x1，x2，…，xm]，Y是網(wǎng)絡(luò)輸出變量，定義為

旋轉(zhuǎn)坐標(biāo)下的回歸方程為

將式（7）代入式（6），整理可得網(wǎng)絡(luò)輸出，即

由式（8）可知，光滑因子δ對網(wǎng)絡(luò)的預(yù)測性能影響較大，采用改變δ值的學(xué)習(xí)方法可獲得最佳回歸估計結(jié)果，方法如下：①令光滑因子以增量Δδ在一定的范圍（min δ，max δ）內(nèi)遞增變化；②在學(xué)習(xí)樣本中，除去幾個樣本進行測試，用剩余樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)；③用構(gòu)建的網(wǎng)絡(luò)模型計算測試樣本的預(yù)測誤差；④重復(fù)②、③，直到所有的訓(xùn)練樣本都有一次用于測試，求得預(yù)測誤差的平均值，即

作為目標(biāo)函數(shù)。由于GRNN網(wǎng)絡(luò)在數(shù)據(jù)信息與輸出樣本擬合過程具有產(chǎn)生最大誤差的特點，因此將對應(yīng)維數(shù)樣本數(shù)據(jù)進行旋轉(zhuǎn)，優(yōu)化了GRNN網(wǎng)絡(luò)在煤制甲烷產(chǎn)量預(yù)測數(shù)據(jù)與高斯分布相異時產(chǎn)生的弱點，提高了網(wǎng)絡(luò)預(yù)測精度。

2.2 IGA算法

遺傳算法GA（genetic algorithm）是一種模擬自然界生物進化機制的搜索和優(yōu)化方法，運用自然調(diào)整方式隨機進行整體種群的搜索以達到自動篩選和單體間數(shù)據(jù)互換的目。它具有強大的并行運算能力與魯棒性，在其運算過程中以種群中個體樣本為操作單元，對個體樣本進行選擇、交叉與變異等一系列處理來實現(xiàn)種群的遺傳篩選，而3種基本環(huán)節(jié)的算子使GA算法有更大的優(yōu)越性。GA的初始數(shù)據(jù)為數(shù)據(jù)融合信息，對其特征編碼方式、適應(yīng)度映射關(guān)系確定、遺傳處理三方面進行優(yōu)化，使該算法增加局部搜索能力并且加大收斂速度。將特征編碼設(shè)置成底層參數(shù)雙層控制的結(jié)構(gòu)，適應(yīng)度映射關(guān)系定義為

式中：avg（E）為平均值；max（E）為最大值。定義交叉與變異表達式為

式中：K1、K3為交叉適應(yīng)系數(shù)；K2、K4為變異適應(yīng)系數(shù)。當(dāng)種群處于初始時期需選取盡可能大的值，保證整體有更大的差異性；后期需選取盡可能小的適應(yīng)系數(shù)，保證整體差異性穩(wěn)定于某一水平。

2.3 特征值選取與預(yù)測模型的實現(xiàn)

低階煤制甲烷產(chǎn)量預(yù)測是一個受多因素影響的動態(tài)非線性預(yù)測，選取以下幾個主要影響因素進行分析：是否加入添加劑X1、原料的水分X2、揮發(fā)份X3、固定碳X4、元素C、H、O、N、S含量 X5、壓力X6以及終止溫度X7，將這些因素作為輸入量，實時對甲烷產(chǎn)出量Y（ml）進行預(yù)測。

利用RGRNN網(wǎng)絡(luò)對樣本集進行訓(xùn)練，其模型中有2個重要參數(shù)：光滑因子δ和旋轉(zhuǎn)角度θ需要確定?；谕絻?yōu)化的思想，特征選取和參數(shù)優(yōu)化同時進行，因此染色體由3部分組成：特征子集、δ和θ。對染色體采用二進制編碼，兼顧優(yōu)化速度和效率，采用經(jīng)典的“輪盤賭”方式進行選擇操作，確定IGA算法的初始參數(shù)。選取粒子群規(guī)模為150，粒子數(shù)m=150，維數(shù)p=2，最大迭代次數(shù)k=1 000。基于IGA優(yōu)化RGRNN網(wǎng)絡(luò)的預(yù)測流程如圖4所示。

基于IGA優(yōu)化RGRNN網(wǎng)絡(luò)的預(yù)測步驟如下：

步驟1將輸入RGRNN網(wǎng)絡(luò)的數(shù)據(jù)采用3層結(jié)構(gòu)進行編碼，對染色體進行初始化處理；

步驟2選取單個樣本對其進行適應(yīng)度數(shù)值計算，并由高到低進行排列；

步驟3對執(zhí)行過程是否達到終止條件進行判斷。若滿足條件則退出程序，直接輸出尋優(yōu)結(jié)果，得到輸出值；反之執(zhí)行步驟4；

步驟4執(zhí)行IGA算法，實施選擇、交叉、變異；

步驟5在得到預(yù)測對應(yīng)變量值的基礎(chǔ)上，預(yù)測出更優(yōu)染色體；

圖4 IGA-RGRNN算法流程Fig.4 Flow chart of IGA-RGRNN algorithm

步驟6再次條件判斷，若符合程序終止條件，則不再循環(huán)；反之執(zhí)行步驟2。

改進遺傳算法和廣義旋轉(zhuǎn)回歸神經(jīng)網(wǎng)絡(luò)結(jié)合能夠與煤制甲烷產(chǎn)量內(nèi)在本質(zhì)相契合，本文正是通過IGA算法來優(yōu)化RGRNN網(wǎng)絡(luò)的參數(shù)，從而得到了較好的結(jié)果。

3 實驗與分析

選取產(chǎn)自內(nèi)蒙古東部的褐煤作為實驗原材料，其工業(yè)分析與元素分析如表1所示。由表1可知，褐煤的固定碳含量很低，揮發(fā)分和灰分含量很高。

將所選取的樣品經(jīng)過多次研磨與篩選直至小于100目（平均粒徑為80 μm），取20 g作為試樣。實驗室自制熱解反應(yīng)裝置如圖5所示，完成低階煤熱解實驗研究。

通過對數(shù)據(jù)采集和監(jiān)測系統(tǒng)進行校正，使其處于最佳工作狀態(tài)，獲取實驗煤制甲烷過程大量隨機采樣數(shù)據(jù)信息作為實驗樣本集，其中前572組數(shù)據(jù)作為訓(xùn)練集，后28組甲烷產(chǎn)量數(shù)據(jù)用來檢驗?zāi)Ｐ途?，具體數(shù)據(jù)如表2所示。

表1 實驗煤樣的工業(yè)分析與元素分析Tab.1 Proximate and elemental analyse of coal sample in the experiment %

圖5 實驗裝置Fig.5 Experimental setup

表2 甲烷產(chǎn)量預(yù)測值與實測值對比Tab.2 Comparison of methane yield between predicted and real values

采用Matlab中遺傳算法工具箱與網(wǎng)絡(luò)工具箱對實驗數(shù)據(jù)進行建模和校驗，利用Matlab與表2中列出的數(shù)據(jù)信息對低階煤生產(chǎn)甲烷產(chǎn)量預(yù)測模型進行實驗仿真，得到甲烷產(chǎn)量的實測值與預(yù)測值對比，如圖6所示?；贗GA-RGRNN模型預(yù)測收斂效果如圖7所示。

由圖7中可看出基于IGA-RGRNN模型預(yù)測收斂性能極強，可將樣本誤差降低到10-4，處于誤差允許范圍。選取兩種實驗?zāi)Ｐ瓦M行對比，預(yù)測結(jié)果相對誤差如圖8所示。

圖6 甲烷產(chǎn)量預(yù)測值與實測值對比Fig.6 Comparison of methane yield between predicted and real values

圖7 IGA-RGRNN模型收斂效果Fig.7 Convergence effect using IGA-RGRNN model

圖8 2種模型相對誤差Fig.8 Relative errors of two models

2種模型相對誤差如圖8所示。圖8表明采取GA-RGRNN模型進行甲烷產(chǎn)量預(yù)測所產(chǎn)生的相對誤差最大值為4.88%，相對誤差最小值為0.33%，相對誤差平均值為2.12%，當(dāng)采用IGA-RGRNN模型進行甲烷產(chǎn)量預(yù)測所產(chǎn)生的相對誤差最大值為2.99%時，相對誤差最小值為0.25%，相對誤差平均值為1.76%。對兩種預(yù)測方案進行對比分析可知，IGA-RGRNN模型精度較高，泛化能力較強，可更加準(zhǔn)確地預(yù)測低階煤制甲烷產(chǎn)量，在實際生產(chǎn)實踐環(huán)境中，可作為低階煤制甲烷產(chǎn)量監(jiān)測手段之一。

4 結(jié)論

將數(shù)據(jù)融合方法和具有非線性處理能力與全局搜索能力的IGA-RGRNN算法有機結(jié)合，提高預(yù)測算法的精度以及泛化能力。將此算法應(yīng)用于低階煤制甲烷產(chǎn)量預(yù)測模型并加以實驗測試，實驗結(jié)果表明：

（1）利用數(shù)據(jù)融合與IGA-RGRNN相結(jié)合算法對低階煤制甲烷產(chǎn)量具有良好的預(yù)測效果，且所產(chǎn)生的誤差指標(biāo)均在合理范圍內(nèi)；

（2）預(yù)測過程充分利用最新信息和綜合考慮各相關(guān)因素，對甲烷產(chǎn)量預(yù)測模型及參數(shù)實時修正調(diào)整，最大限度地減小預(yù)測值與實際值的誤差，提高預(yù)測準(zhǔn)確率；

（3）基于IGA-RGRNN的低階煤制甲烷產(chǎn)量預(yù)測模型與同類其他預(yù)測方法相比，收斂速度更快、預(yù)測精度更高，能有效地實現(xiàn)低階煤制甲烷產(chǎn)量的動態(tài)預(yù)測。

[1]李明,高秋菊,郭璞,等.基于活性炭從煤層氣中分離甲烷[J].煤炭學(xué)報,2014,38（8）：1418-1423.

Li Ming,Gao Qiuju,Guo Pu,et al.Separation methane from the coal-bed gas based on activated carbon[J].Journal of China Coal Society,2014,38（8）：1418-1423（in Chinese）.

[2]孟召平,張紀(jì)星,劉賀,等.考慮應(yīng)力敏感性的煤層氣井產(chǎn)能模型及應(yīng)用分析[J]煤炭學(xué)報,2014,39（4）：593-599.

Meng Zhaoping,Zhang Jixing,Liu He,et al.Productivity model of CBM wells considering the stresssensitivity and its application analysis[J]Journal of China Coal Society, 2014,39（4）：593-599（in Chinese）.

[3]熊圖.運用廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)電場功率[J].電網(wǎng)與清潔能源,2014,30（1）：109-113.

Xiong Tu.Wind power forecasting using generalized regression neural network[J].Power System and Clean Energy,2014,30（1）：109-113（in Chinese）.

[4]Kondo C,Kondo T,Ueno J.Three-dimensional medical image analysis of the heart by the revised GMDH-type neural network self-selecting optimum neural network architecture[J].Artificial Life and Robotics,2009,14（2）：123 -28.

[5]王利琴,董永峰,顧軍華.改進的精英遺傳算法及其在特征選擇中的應(yīng)用[J].計算機工程與設(shè)計,2014,35（5）：1792 -1796.

Wang Liqin,Dong Yongfeng,Gu Junhua.Improved elitist genetical algorithm for feature selection[J].Computer Engineer and Design,2014,35（5）1792-1796（in Chinese）.

[6]王軍號,孟祥瑞.一種基于改進遺傳RBF神經(jīng)網(wǎng)絡(luò)的傳感器動態(tài)特性補償算法[J].傳感技術(shù)學(xué)報,2010,23（9）：1298-1302.

Wang Junhao,Meng Xiangrui.A dynamic compensation algorithm based on improved genetic-RBF neural network for sensor[J].Chinese Journal of Sensor and Actuators,2010, 23（9）：1298-1302（in Chinese）.

[7]崔慧,潘巨龍,閆丹丹.無線傳感器網(wǎng)絡(luò)中基于安全數(shù)據(jù)融合的惡意節(jié)點檢測[J].傳感技術(shù)學(xué)報,2014,27（5）：664 -669.

Cui Hui,Pan Julong,Yan Dandan.Malicious nodes detection algorithm based on secure data fusion in wireless sensor networks[J].Chinese Journal of Sensor and Actuators,2014,27（5）：664-669（in Chinese）.

[8]Kondo T,Ueno J,Takao S.Hybrid feedback GMDH-type neural network using principal component-regression analysis and its application to medical image diagnosis of lung cancer[J].ICIC Express Letters（ICIC-EX）,2014,8（4）：1-8.

[9]田中大,高憲文,李琨.基于EMD與LS-SVM的網(wǎng)絡(luò)控制系統(tǒng)時延預(yù)測方法[J].電子學(xué)報,2014,42（5）：868-874.

Tian Zhongda,Gao Xianwen,Li Kun.Time-delay prediction method of networked control system based on EMD and LS-SVM[J].Acta Electronic Sinica,2014,42（5）：868-874（in Chinese）.

[10]Li Hongyan,Wang Hong,Gui Chao.Internet time-delay prediction based on auto regressive and neural network model[C]//2006 International Conference on Communications,Circuits and Systems,Guilin,China,IEEE Press, 2006：1758-1761.

[11]孫凌逸,黃先祥,蔡偉,等.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].傳感技術(shù)學(xué)報,2011,24（1）：122-127.

Sun Lingyi,Huang Xianxiang,Cai Wei,et al.Data aggregation of wireless sensor networks using artificial neural networks[J].Chinese Journal of Sensor and Actuators.,2011,24（1）：122-127（in Chinese）.

[12]郝鑫.廣義回歸神經(jīng)網(wǎng)絡(luò)和遺傳算法研究及其在化工過程建模中的應(yīng)用[D].杭州：浙江大學(xué),2004.

Hao Xin.The study of general regression neural network and genetic algorithms and their application for chemical engineering[D].Hangzhou：Zhejiang University,2004（in Chinese）.