計(jì)及改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的沼氣產(chǎn)量軟測(cè)量預(yù)測(cè)模型

摘 要：為準(zhǔn)確預(yù)測(cè)大中型沼氣工程的日產(chǎn)氣量，提出一種利用基于PSO-BP模型的軟測(cè)量方法。首先，依托軟測(cè)量技術(shù)選取參數(shù)；其次，以進(jìn)料量、發(fā)酵溫度、液位、罐內(nèi)液壓等參數(shù)作為輸入量，沼氣日產(chǎn)量為輸出量進(jìn)行模型建立。在此基礎(chǔ)上，使用線性降低權(quán)重系數(shù)法和引入變異算子對(duì)粒子群算法進(jìn)行改進(jìn)，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化來提高模型性能。通過實(shí)驗(yàn)比較改進(jìn)PSO-BP模型、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)以及遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)沼氣日產(chǎn)量方面的性能，采用改進(jìn)的PSO-BP模型進(jìn)行預(yù)測(cè)時(shí)，均方根誤差（RMSE）、決定系數(shù)（R2）和平均絕對(duì)誤差（MAE）分別為1.38440、0.84011和1.00910，證明改進(jìn)PSO-BP模型結(jié)合軟測(cè)量技術(shù)對(duì)進(jìn)行復(fù)雜非線性牛糞高溫厭氧發(fā)酵過程預(yù)測(cè)的可行性，同時(shí)可保證預(yù)測(cè)結(jié)果的精準(zhǔn)性。

關(guān)鍵詞：生物質(zhì)能；沼氣；粒子群優(yōu)化算法；BP神經(jīng)網(wǎng)絡(luò)；軟測(cè)量技術(shù)

中圖分類號(hào)：S216.4" " " " " " " " 文獻(xiàn)標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0653

文章編號(hào)：0254-0096（2024）08-0643-08

1. 河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，保定 071001；

2. 河北省畜禽養(yǎng)殖智能裝備與新能源利用重點(diǎn)實(shí)驗(yàn)室，保定 071001；

3. 河北聚碳生物科技有限公司，衡水 053000

0 引 言

中國(guó)農(nóng)村地區(qū)能源結(jié)構(gòu)大多仍以化石燃料為主要能源，沼氣十分稀缺，普及率非常低［1-2］，提高清潔可再生能源（如太陽能、風(fēng)能和水力發(fā)電等）的使用比例，是應(yīng)對(duì)氣候變化、降低二氧化碳排放的關(guān)鍵措施［3-4］，但由于技術(shù)和成本限制，短時(shí)間內(nèi)很難實(shí)現(xiàn)徹底改造。在雙碳目標(biāo)下，沼氣作為一種低碳、清潔能源，已得到中國(guó)能源市場(chǎng)的認(rèn)可［5］。因此，準(zhǔn)確預(yù)測(cè)沼氣產(chǎn)量不僅有益于政府的合理規(guī)劃，避免能源浪費(fèi)，同時(shí)也便于管理沼氣相關(guān)活動(dòng)［6］。在沼氣生產(chǎn)活動(dòng)中，利用奶牛場(chǎng)中牛糞高溫厭氧發(fā)酵過程產(chǎn)生沼氣是一種被廣泛采用的方法，但缺乏最重要過程參數(shù)的線性測(cè)量工具，且其具有多樣性、隨機(jī)性、強(qiáng)耦合性等特征，同時(shí)難以有效控制發(fā)酵程度，為解決該問題，文獻(xiàn)［7］應(yīng)用軟測(cè)量技術(shù)來解決上述問題。

國(guó)內(nèi)外研究人員提出用相關(guān)智能優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，趙孝文等［8］用BP神經(jīng)網(wǎng)絡(luò)模擬結(jié)合粒子群算法的優(yōu)化方法，但數(shù)據(jù)樣本較少，無模型的評(píng)價(jià)指標(biāo)；Abualigah等［9］提出用一種改進(jìn)的粒子群算法來進(jìn)行特征選擇，但對(duì)數(shù)據(jù)的預(yù)處理部分還有改進(jìn)空間；鮑敏等［10］提出一種新型BP神經(jīng)網(wǎng)絡(luò)，對(duì)傳統(tǒng)算法進(jìn)行了優(yōu)化，在擬合精度方面有了一定提高，但其實(shí)驗(yàn)數(shù)據(jù)較少，算法不夠成熟；祁翔等［11］使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，得到遺傳-BP模型，優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和參數(shù)隨機(jī)選擇的問題，提高了網(wǎng)絡(luò)的預(yù)測(cè)精度，但遺傳算法交叉、選擇、變異階段時(shí)間過長(zhǎng)，且對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始值和閾值優(yōu)化不足；何丹等［12］利用改進(jìn)的粒子群算法進(jìn)行了BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化，對(duì)非線性模型進(jìn)行處理，預(yù)測(cè)性能得到了提高，但仍有進(jìn)步空間。

本文在上述研究基礎(chǔ)上，針對(duì)BP神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型，提出一種計(jì)及改進(jìn)的粒子群算法的優(yōu)化方法，用于預(yù)測(cè)沼氣產(chǎn)量。為提高粒子群算法的全局尋優(yōu)能力，采用線性降低權(quán)重系數(shù)法并引入變異算子。同時(shí)，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化網(wǎng)絡(luò)軟測(cè)量預(yù)測(cè)模型進(jìn)行預(yù)測(cè)結(jié)果比較，分析各種算法模型結(jié)合軟測(cè)量技術(shù)進(jìn)行預(yù)測(cè)的優(yōu)缺點(diǎn)，以期為之后沼氣預(yù)測(cè)模型的建立奠定技術(shù)基礎(chǔ)。

1 沼氣產(chǎn)量預(yù)測(cè)改進(jìn)PSO-BP模型

牛糞的高溫厭氧發(fā)酵過程具有嚴(yán)重的非線性和時(shí)變性，使得構(gòu)建沼氣產(chǎn)量的精準(zhǔn)預(yù)測(cè)模型存在較大困難，且存在大量難以測(cè)量或無法在線測(cè)量的參數(shù)，因此本文闡述一種沼氣產(chǎn)量預(yù)測(cè)改進(jìn)PSO-BP模型。該模型依托軟測(cè)量技術(shù)獲取無法在線測(cè)量的參數(shù)（即通過建模利用易測(cè)量的參數(shù)間接獲取難測(cè)量的參數(shù)），為提高粒子群算法全局尋優(yōu)能力，使用線性降低權(quán)重系數(shù)法并引入變異算子，在沼氣生產(chǎn)過程中的綜合BP神經(jīng)網(wǎng)絡(luò)非線性擬合能力與PSO全局搜索能力進(jìn)行沼氣日產(chǎn)量準(zhǔn)確預(yù)測(cè)。

依據(jù)河北衡水某生物科技有限公司提供的2021年生產(chǎn)報(bào)表數(shù)據(jù)，依托軟測(cè)量技術(shù)，圖1為沼氣產(chǎn)生過程圖，包含沉砂池、進(jìn)料池、厭氧罐、燃?xì)忮仩t、發(fā)電機(jī)組、脫硫裝置、儲(chǔ)氣裝置等相關(guān)設(shè)備。其中沉砂池進(jìn)行原料的沉砂處理，通過沉砂池電動(dòng)閥，將沉砂處理后的原料投入1、2號(hào)進(jìn)料池，之后經(jīng)過相關(guān)處理，經(jīng)過1、2號(hào)進(jìn)料泵的運(yùn)轉(zhuǎn)，通過管道和進(jìn)料閥進(jìn)入4個(gè)厭氧發(fā)酵罐進(jìn)行厭氧發(fā)酵，然后進(jìn)行后續(xù)的脫硫處理，最后進(jìn)入儲(chǔ)氣罐。為對(duì)沼氣生產(chǎn)過程中可采集的相關(guān)參數(shù)進(jìn)行建模精確分析，改進(jìn)沼氣產(chǎn)量預(yù)測(cè)軟測(cè)量模型。

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的建模原理見文獻(xiàn)［9］。BP神經(jīng)網(wǎng)絡(luò)由輸入、隱含和輸出3層組成，圖2所示的結(jié)構(gòu)表示了其節(jié)點(diǎn)之間相鄰神經(jīng)元通過權(quán)值連接，神經(jīng)元由圖2中的每一個(gè)節(jié)點(diǎn)代表。輸入信號(hào)由輸入層進(jìn)入神經(jīng)網(wǎng)絡(luò)，并沿著網(wǎng)絡(luò)流向經(jīng)過加權(quán)運(yùn)算，最終從輸出層提取輸出信號(hào)，這些信號(hào)用于損失函數(shù)計(jì)算。之后，誤差信號(hào)反向傳遞回網(wǎng)絡(luò)中，偏置和權(quán)值進(jìn)行迭代修正［13］，這種不斷調(diào)整偏置和權(quán)值的過程就是學(xué)習(xí)和訓(xùn)練網(wǎng)絡(luò)的過程，直到預(yù)測(cè)輸出誤差和期望輸出信號(hào)的誤差低于預(yù)設(shè)閾值［14-15］，或?qū)W習(xí)次數(shù)達(dá)到預(yù)設(shè)上限，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程才會(huì)停止。

1.2 基于改進(jìn)的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本研究應(yīng)用粒子群算法［16］，通過模擬自然界鳥群捕食行為，讓鳥群在規(guī)定區(qū)域內(nèi)搜索大小不同的食物源。在搜索過程中，通過位置信息的相互傳遞，成功發(fā)現(xiàn)全局最優(yōu)解，即找到最大的食物源。粒子群算法在應(yīng)用過程中常遇到搜索結(jié)果質(zhì)量不高、局部搜索能力差和易過早收斂［17-18］等問題。為克服這些問題，研究人員提出多項(xiàng)改進(jìn)方法，例如：為改變粒子關(guān)系拓?fù)浣Y(jié)構(gòu)、引入新的機(jī)制來提高算法的收斂速度；動(dòng)態(tài)改變慣性系數(shù)等方法來避免粒子過早成熟。在實(shí)驗(yàn)中加入線性降低權(quán)重和變異算子新機(jī)制：

1）線性降低權(quán)重系數(shù)：使算法在早期階段有較高的整體搜索性能，降低陷入局部最優(yōu)的概率；在后期階段有較強(qiáng)的小部分開發(fā)能力，加強(qiáng)收斂性能，其計(jì)算公式為：

[u（x）=umax-（umax-umin）×zH] （1）

式中：[u（x）]——慣性權(quán)重值；[umax]——慣性權(quán)重限制的上限值；[umin]——慣性權(quán)重限制的下限值；[z]——目前迭代數(shù)；[H]——迭代次數(shù)上限。

2）變異算子：在迭代優(yōu)化過程中，刪除不會(huì)加快算法收斂的粒子，引入變異算子，平衡收斂速度，其實(shí)現(xiàn)步驟為：

[pos=unidrndlnum;if" "randgt;0.95" " " " pop（pos）=3*rands1，1;]

式中：[pos]——粒子變異發(fā)生的位置；[unidrnd]——隨機(jī)函數(shù)；[lnum]——粒子長(zhǎng)度。

改進(jìn)算法的流程為：

1）初始化BP神經(jīng)網(wǎng)絡(luò)，調(diào)整樣本數(shù)據(jù)類型，計(jì)算粒子群權(quán)值和閾值的總數(shù)，進(jìn)行二進(jìn)制編碼后將其分配給粒子；

2）進(jìn)行PSO優(yōu)化，預(yù)先設(shè)定相關(guān)參數(shù)和構(gòu)建粒子網(wǎng)絡(luò)，包括種群規(guī)模[N]（即粒子數(shù)量），以及設(shè)置迭代次數(shù)；構(gòu)建粒子網(wǎng)絡(luò)，需對(duì)每個(gè)粒子設(shè)定初始的隨機(jī)位置[xi]和速度[vi]，為下一輪迭代做準(zhǔn)備；

3）對(duì)每個(gè)粒子進(jìn)行適應(yīng)度計(jì)算；

4）分別找出并記錄粒子群中個(gè)體和全局的極值；

5）根據(jù)適應(yīng)度分別更新當(dāng)前粒子群中每個(gè)粒子的位置[xi]和速度[vi]，還有其自身的最佳過去位置和整個(gè)粒子群的最佳過去位置；

6）重新計(jì)算比較新粒子群中每個(gè)粒子適應(yīng)度；

7）更新所有粒子的最優(yōu)位置；

8）更新粒子群全局極值和整體最佳位置；

9）當(dāng)滿足結(jié)束條件或已達(dá)到最大允許迭代次數(shù)時(shí)，跳出循環(huán)，否則迭代次數(shù)加一并返回步驟5）；

10）輸出問題的最優(yōu)解，并賦值給BP神經(jīng)網(wǎng)絡(luò)。

2 實(shí)驗(yàn)分析與結(jié)果對(duì)比

2.1 數(shù)據(jù)預(yù)處理及模型的性能評(píng)價(jià)

本實(shí)驗(yàn)樣本取自河北衡水某生物科技公司牛糞高溫厭氧發(fā)酵處理系統(tǒng)生產(chǎn)過程中2020年和2021年生產(chǎn)數(shù)據(jù)報(bào)表，從358組原始數(shù)據(jù)中取前286組作為訓(xùn)練數(shù)據(jù)，其余72組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。采用（烘干沼渣（DBR）、進(jìn)料量（IA）、發(fā)酵溫度（FT）、罐內(nèi)液位（LT）、罐內(nèi)溫度（TT）、外界溫度（ET））共6個(gè)參數(shù)作為軟測(cè)量模型的輸入變量，預(yù)測(cè)牛糞高溫厭氧發(fā)酵過程處理系統(tǒng)的沼氣日產(chǎn)氣量（DBP），為對(duì)比模型性能，常用的評(píng)價(jià)指標(biāo)［19］有均方根誤差（RMSE）、決定系數(shù)（[R2]）和平均絕對(duì)誤差（MAE）。

2.1.1 數(shù)據(jù)歸一化

在數(shù)據(jù)預(yù)處理階段，應(yīng)對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。避免因數(shù)量級(jí)大小或數(shù)據(jù)單位的不同導(dǎo)致的訓(xùn)練時(shí)間變長(zhǎng)、收斂速度慢等問題，訓(xùn)練集歸一化X為：

[X=x-xminxmax-xmin] （2）

式中：[x]——訓(xùn)練值的任一數(shù)值；[xmin]——訓(xùn)練集的最小值；[xmax]——訓(xùn)練集的最大值。

2.1.2 模型性能評(píng)價(jià)指標(biāo)

本文使用均方根誤差（RMSE）、決定系數(shù)（[R2]）和平均絕對(duì)誤差（MAE）等3個(gè)評(píng)價(jià)指標(biāo)。RMSE對(duì)異常值更加敏感：RMSE值越小表明預(yù)測(cè)結(jié)果越準(zhǔn)確。[R2]可作為衡量模型擬合能力的指標(biāo)：[R2]越接近于1表明模型的擬合程度越高，性能越優(yōu)秀。MAE用以衡量模型穩(wěn)定性，其值越小模型預(yù)測(cè)值越接近于真實(shí)值，穩(wěn)定性越好。RMSE、[R2]、MAE的計(jì)算公式［17］如式（3）～式（5）所示。

[SRMSE，i=1Ni=1N（yi-yi）2] （3）

[SR2，i=1-i=1N（yi-yi）2/i=1N（yi-yi）2] （4）

[SMAE，i=i=1Nyi-yi/N] （5）

式中：[SRMSE，i]——沼氣日產(chǎn)量均方根誤差；[N]——沼氣日產(chǎn)量序列的數(shù)據(jù)量；[yi]——沼氣日產(chǎn)量實(shí)際值；[yi]——沼氣日產(chǎn)量預(yù)測(cè)值；[SR2，i]——沼氣日產(chǎn)量決定系數(shù)；[yi]——沼氣日產(chǎn)量的平均值；[SMAE，i]——沼氣日產(chǎn)量平均絕對(duì)誤差。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

2.2.1 BP模型參數(shù)設(shè)置

在實(shí)驗(yàn)中，BP神經(jīng)網(wǎng)絡(luò)的輸入層被設(shè)置為6個(gè)輸入節(jié)點(diǎn)，分別對(duì)應(yīng)6個(gè)牛糞高溫厭氧發(fā)酵過程中參數(shù)變量（DBR、IA、FT、LT、TT、ET）；隱含層通過剪枝法、交叉驗(yàn)證法和遞減法等方法設(shè)置節(jié)點(diǎn)數(shù)量；輸出層的作用是預(yù)測(cè)DBP，設(shè)置一個(gè)節(jié)點(diǎn)。結(jié)合實(shí)驗(yàn)［20］，本文確定隱含層節(jié)點(diǎn)數(shù)量的計(jì)算式為：

[q=m+n+a] （6）

式中：[m]——輸入層節(jié)點(diǎn)數(shù)量；[n]——輸出層節(jié)點(diǎn)數(shù)量；[a]——正則化調(diào)節(jié)常數(shù)。

經(jīng)過多次實(shí)驗(yàn)，當(dāng)輸入層[m=6]，隱含層[q=10]，輸出層[n=1]時(shí)網(wǎng)絡(luò)達(dá)到最佳，模型結(jié)構(gòu)為6-10-1。隱含層以[tansig]為傳遞函數(shù)，輸出層通過[purelin]函數(shù)傳遞。最大迭代次數(shù)設(shè)定為1000，誤差閾值為1×10-6，學(xué)習(xí)率為0.01。

2.2.2 GA-BP模型參數(shù)設(shè)置

實(shí)驗(yàn)中，最大進(jìn)化次數(shù)設(shè)為100，學(xué)習(xí)率為0.01，種群規(guī)模為5，代際數(shù)為50，交叉概率為0.3，變異概率為0.1，染色體數(shù)據(jù)區(qū)域?yàn)椋?3，3］；最大慣性權(quán)重為0.9，最小慣性權(quán)重為0.1。同時(shí)，種群更新次數(shù)為30。

遺傳算法適應(yīng)度函數(shù)：

[Gfitness=sum（abs（α-o））] （7）

式中：[Gfitness]——遺傳算法適應(yīng)度值；[α]——BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出；[o]——樣本輸出的真實(shí)值。

2.2.3 改進(jìn)PSO-BP模型參數(shù)設(shè)置

改進(jìn)的粒子群算法［21-22］需設(shè)置結(jié)構(gòu)參數(shù)，其中最優(yōu)化迭代最多進(jìn)行100次，并采用學(xué)習(xí)率為0.01。種群規(guī)模大小設(shè)置為20，同時(shí)將最大慣性權(quán)重的值設(shè)置為0.9，最小慣性權(quán)重的值設(shè)置為0.1。種群需更新30次。

改進(jìn)粒子群算法適應(yīng)度函數(shù)為：

[Pfitness=sum（abs（α-o））] （8）

式中：[Pfitness]——遺傳算法適應(yīng)度值。

2.3 實(shí)驗(yàn)結(jié)果

2.3.1 預(yù)測(cè)結(jié)果比較分析

為驗(yàn)證改進(jìn)PSO-BP模型的預(yù)測(cè)性能，本文采用BP模型和GA-BP模型兩種模型對(duì)沼氣日產(chǎn)量進(jìn)行軟測(cè)量建模，其網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置均等同于改進(jìn)PSO-BP模型以保證訓(xùn)練結(jié)果嚴(yán)謹(jǐn)性，對(duì)比結(jié)果如表1所示。

由表1可知：在預(yù)測(cè)牛糞高溫厭氧發(fā)酵系統(tǒng)沼氣日產(chǎn)量方面：通過對(duì)比兩種優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方式，相對(duì)于GA優(yōu)化算法來說，采用改進(jìn)PSO優(yōu)化算法更加有效。模型性能方面：從預(yù)測(cè)沼氣日產(chǎn)量看，改進(jìn)PSO-BP模型相對(duì)于BP模型， RMSE和MAE分別減少了16.34%和24.17%，R2提高了17.82%；相對(duì)于GA-BP模型， RMSE和MAE分別減少了2.31%和8.36%，R2提高了0.43%。根據(jù)實(shí)驗(yàn)結(jié)果可知，改進(jìn)的PSO-BP模型性能最佳。

分析圖4可得：對(duì)比模型網(wǎng)絡(luò)的收斂速度發(fā)現(xiàn)，改進(jìn)PSO算法在迭代次數(shù)為17時(shí)，適應(yīng)度達(dá)到最優(yōu)，顯然比GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)收斂更快，說明改進(jìn)PSO算法能有效優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

3種模型的預(yù)測(cè)結(jié)果如圖5所示。通過觀察圖5發(fā)現(xiàn)，圖5a所示的改進(jìn)PSO-BP模型在預(yù)測(cè)沼氣產(chǎn)量方面表現(xiàn)出色，模型的輸出曲線與實(shí)際輸出曲線的擬合度較高。再對(duì)比圖5可知：本文所提模型得出的預(yù)測(cè)曲線擬合程度明顯高于BP和GA-BP模型。同時(shí)根據(jù)式（3）～式（5）計(jì)算可知：改進(jìn)PSO-BP模型預(yù)測(cè)沼氣日產(chǎn)量的3個(gè)評(píng)價(jià)指標(biāo)RMSE、[R2]和MAE分別為1.3844、0.8401和1.0091。因此推斷，在預(yù)測(cè)牛糞高溫厭氧發(fā)酵系統(tǒng)的沼氣日產(chǎn)量中，改進(jìn)PSO-BP模型更為準(zhǔn)確有效，具有良好的泛化能力。

2.3.2 改進(jìn)PSO-BP模型訓(xùn)練結(jié)果

利用訓(xùn)練完成的改進(jìn)PSO-BP模型對(duì)牛糞的高溫厭氧發(fā)酵系統(tǒng)進(jìn)行測(cè)試，除得到圖4、圖5外，還可得圖6～圖8。根據(jù)圖6顯示，在整個(gè)訓(xùn)練過程中，改進(jìn)PSO-BP模型表現(xiàn)出良好的擬合效果，綜合訓(xùn)練集和測(cè)試集的擬合曲線，總體擬合度達(dá)到87.93%。通過圖7，了解到改進(jìn)PSO-BP模型的整體訓(xùn)練狀態(tài)，在第13輪時(shí)，整體梯度已不再發(fā)生變化，輸出誤差不再下降。分析圖8，改進(jìn)PSO-BP模型的最佳驗(yàn)證性能在第7輪，RMSE為0.878%。

3 結(jié) 論

為提高預(yù)測(cè)模型的準(zhǔn)確性，改進(jìn)粒子群算法來優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)建牛糞高溫厭氧發(fā)酵沼氣產(chǎn)量預(yù)測(cè)模型。與傳統(tǒng)的BP模型和GA-BP模型進(jìn)行比較表明：

1）改進(jìn)PSO提高了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精確度，改進(jìn)PSO-BP模型泛化能力和魯棒性方面均得到提高，實(shí)驗(yàn)結(jié)果表明該模型能有效預(yù)測(cè)牛糞高溫厭氧發(fā)酵系統(tǒng)的沼氣日產(chǎn)量。

2）通過對(duì)比3種模型在預(yù)測(cè)牛糞高溫厭氧發(fā)酵系統(tǒng)沼氣日產(chǎn)量上的性能發(fā)現(xiàn)，改進(jìn)PSO-BP模型更為準(zhǔn)確，具有更強(qiáng)的非線性逼近能力，進(jìn)一步證明改進(jìn)PSO-BP軟測(cè)量建模方法具有良好預(yù)測(cè)性能且行之有效。

3）從模型預(yù)測(cè)效果來看，改進(jìn)后模型的預(yù)測(cè)效率和準(zhǔn)確度較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法均有所提升，相比BP模型，改進(jìn)PSO-BP模型預(yù)測(cè)沼氣日產(chǎn)量RMSE減少了16.34%，R2提高了17.82%，MAE減少了24.17%。

綜上，改進(jìn)PSO-BP模型可有效進(jìn)行牛糞高溫厭氧發(fā)酵系統(tǒng)沼氣日產(chǎn)量的預(yù)測(cè)。

［參考文獻(xiàn)］

［1］ SEO K W， SEO J， KIM K， et al. Prediction of biogas production rate from dry anaerobic digestion of food waste： process-based approach vs. recurrent neural network black-box" " model［J］." "Bioresource" "technology，" "2021，" "341： 125829.

［2］ 費(fèi)凡， 高立艾， 張瑞強(qiáng)， 等. 基于供需協(xié)調(diào)特性的養(yǎng)殖場(chǎng)沼氣熱電聯(lián)供系統(tǒng)優(yōu)化研究［J］. 太陽能學(xué)報(bào)， 2023， 44（4）： 231-237.

FEI F， GAO L A， ZHANG R Q， et al. Research on optimization of biogas cogeneration system for farms based on characteristics of supply and demand coordination［J］. Acta energiae solaris sinica， 2023， 44（4）： 231-237.

［3］ PALMA-HEREDIA D， VERDAGUER M， MOLINOS-SENANTE M， et al. Optimised blending for anaerobic co-digestion using ant colony approach： Besòs River Basin case study［J］. Renewable energy， 2021， 168： 141-150.

［4］ ABDEL DAIEM M M， HATATA A， GALAL O H， et al. Prediction of biogas production from anaerobic co-digestion of waste activated sludge and wheat straw using two-dimensional mathematical models and an artificial neural network［J］. Renewable energy， 2021， 178： 226-240.

［5］ MOGODINIYAI KASMAEI K， RUSTAS B O， SP?RNDLY R， et al. Prediction models of silage fermentation products on crop composition under strict anaerobic conditions： a meta-analysis［J］. Journal of dairy science， 2013， 96（10）： 6644-6649.

［6］ 蔣滔， 王冰， 韋秀麗， 等. 川渝養(yǎng)殖場(chǎng)沼氣工程運(yùn)行狀況與沼液生物學(xué)特性研究［J］. 太陽能學(xué)報(bào)， 2021， 42（2）： 239-246.

JIANG T， WANG B， WEI X L， et al. Study on operation status of biogas plants and biological characteristics of biogas slurry in livestock farms of Chongqing and Sichuan Province［J］. Acta energiae solaris sinica， 2021， 42（2）： 239-246.

［7］ 崔琳琳， 沈冰冰， 葛志強(qiáng). 基于混合變分自編碼器回歸模型的軟測(cè)量建模方法［J］. 自動(dòng)化學(xué)報(bào)， 2022， 48（2）： 398-407.

CUI L L， SHEN B B， GE Z Q. A mixture variational autoencoder regression model for soft sensor application［J］. Acta automatica sinica， 2022， 48（2）： 398-407.

［8］ 趙孝文， 蔣繼成. 厭氧發(fā)酵工藝的BP神經(jīng)網(wǎng)絡(luò)建模與粒子群算法優(yōu)化［J］. 應(yīng)用能源技術(shù)， 2015（3）： 8-12.

ZHAO X W， JIANG J C. BP neural network modeling and particle swarm algorithm optimization of anaerobic fermentation process［J］. Applied energy technology， 2015（3）： 8-12.

［9］ ABUALIGAH L M， KHADER A T， HANANDEH E S. A new feature selection method to improve the document clustering using particle swarm optimization algorithm［J］. Journal of computational science， 2018， 25： 456-466.

［10］ 鮑敏， 楊世品， 李麗娟. 基于新型BP神經(jīng)網(wǎng)絡(luò)的沼氣生產(chǎn)預(yù)測(cè)［J］. 計(jì)算機(jī)與應(yīng)用化學(xué)， 2019， 36（4）： 308-311.

BAO M， YANG S P， LI L J. Biogas production prediction method based on novel BP neural network modeling［J］. Computers and applied chemistry， 2019， 36（4）： 308-311.

［11］ 祁翔， 張心光. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)建模［J］. 智能計(jì)算機(jī)與應(yīng)用， 2021， 11（5）： 160-162， 169.

QI X， ZHANG X G. Prediction modeling of BP neural network" "optimized" by" genetic" algorithm［J］." Intelligent computer and applications， 2021， 11（5）： 160-162， 169.

［12］ 何丹， 林來鵬， 李小勇， 等. 基于改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的廢水處理軟測(cè)量模型［J］. 華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 53（2）： 114-120.

HE D， LIN L P， LI X Y， et al. A soft measurement model of wastewater treatment process based on BP neural network with improved particle swarm optimization algorithms［J］. Journal of South China Normal University （natural science edition）， 2021， 53（2）： 114-120.

［13］ NIU G Q， YI X H， CHEN C， et al. A novel effluent quality predicting model based on genetic-deep belief network algorithm for cleaner production in a full-scale paper-making wastewater treatment［J］. Journal of cleaner production， 2020， 265： 121787.

［14］ 胡兵， 王小娟， 徐立軍， 等. 基于KMO-PCA-BP的燃料電池堆輸出電壓預(yù)測(cè)方法［J］. 太陽能學(xué)報(bào)， 2022， 43（3）： 12-19.

HU B， WANG X J， XU L J， et al. Output voltage prediction method of fuel cell stack based on KMO-PCA-BP［J］. Acta energiae solaris sinica， 2022， 43（3）： 12-19.

［15］ 曾慶揚(yáng)， 丁楚衡， 谷戰(zhàn)英， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的油茶產(chǎn)量預(yù)測(cè)模型構(gòu)建［J］. 經(jīng)濟(jì)林研究， 2022， 40（3）： 87-95.

ZENG Q Y， DING C H， GU Z Y， et al. Building camellia oleifera yield prediction model based on BP neural network［J］. Non-wood forest research， 2022， 40（3）： 87-95.

［16］ KUMAR S， SINGH A K， PATHAK V K， et al. Modelling and optimization of injection molding process for PBT/PET parts using modified" particle" swarm" algorithm［J］." Indian" journal" of engineering and materials sciences， 2020， 27（3）： 603-615.

［17］ 陳際， 袁守利， 劉志恩. 基于BAS改進(jìn)PSO算法對(duì)PEMFC溫度的控制［J］. 太陽能學(xué)報(bào)， 2023， 44（5）： 67-73.

CHEN J， YUAN S L， LIU Z E. Temperature control of PEMFC" based" on" BAS" "improved" "PSO" "algorithm［J］. Acta energiae solaris sinica， 2023， 44（5）： 67-73.

［18］ 秦國(guó)輝， 劉偉， 劉旭丹. 基于最小二乘向量機(jī)的厭氧發(fā)酵沼氣產(chǎn)量建模研究［J］. 黑龍江科學(xué)， 2013， 4（2）： 40-42.

QIN G H， LIU W， LIU X D. Modeling anaerobic fermentation biogas output based on least squares support vector machines［J］. Heilongjiang science， 2013， 4（2）： 40-42.

［19］ HEYDARI B， ABDOLLAHZADEH SHARGHI E， RAFIEE S， et al. Use of artificial neural network and adaptive neuro-fuzzy inference system for prediction of biogas production from spearmint essential oil wastewater treatment in up-flow anaerobic sludge blanket reactor［J］. Fuel， 2021， 306： 121734.

［20］ 朱昶勝， 李歲寒. 基于改進(jìn)果蠅優(yōu)化算法的隨機(jī)森林回歸模型及其在風(fēng)速預(yù)測(cè)中的應(yīng)用［J］. 蘭州理工大學(xué)學(xué)報(bào)， 2021， 47（4）： 83-90.

ZHU C S， LI S H. Random forest regression model based on improved fruit fly optimization algorithm and its application" "in" "wind" "speed" "forecasting［J］." Journal" "of Lanzhou University of Technology， 2021， 47（4）： 83-90.

［21］ ALMOMANI F. Prediction of biogas production from chemically treated co-digested agricultural waste using artificial neural network［J］. Fuel， 2020， 280： 118573.

［22］ 蘇攀， 張偉. 混沌映射的禁忌同步隨機(jī)學(xué)習(xí)因子粒子群算法［J］. 小型微型計(jì)算機(jī)系統(tǒng)， 2022， 43（8）： 1675-1680.

SU P， ZHANG W. Tabu synchronization stochastic learning factor particle swarm optimization based on chaotic mapping［J］. Journal of Chinese computer systems， 2022， 43（8）： 1675-1680.

SOFT MEASUREMENT PREDICTION MODEL OF BIOGAS

PRODUCTION BAESD ON IMPROVED PARTICLE SWARM

OPTIMIZATION BP NEURAL NETWORK

Yu Xuebin1，2，Jia Yuchen1，2，Gao Liai1，2，Zhou Jiadong3，Huo Limin1，2

（1. College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding 071001， China；

2. Hebei Provincial Key Laboratory of Livestock and Poultry Breeding Intelligent Equipment and New Energy Utilization， Baoding 071001， China； 3. Hebei Jutan Biotechnology Co.， Ltd.， Hengshui 053000， China）

Abstract：The high-temperature anaerobic fermentation system of cow dung involves complex dynamics， with serious nonlinearity and time-varying， which makes it difficult to construct an accurate prediction model of biogas production. In order to accurately predict the daily gas production of large and medium-sized biogas projects， a new method of using improved particle swarm optimization algorithm to optimize traditional BP neural network was proposed， and an improved PSO-BP model was established. Firstly， the parameters are selected by soft measurement technology. Secondly， the model was established by taking the parameters such as feed rate， fermentation temperature， liquid level and hydraulic pressure in the tank as input and the daily biogas production as output. On this basis， the particle swarm optimization algorithm is improved by using the linear reduction weight coefficient method and introducing the mutation operator， and the BP neural network is initialized to improve the performance of the model. The performance of the improved PSO-BP model， the traditional BP neural network and the BP neural network optimized by genetic algorithm in predicting the daily biogas production was compared through experiments. When the improved PSO-BP model was used for prediction， the root mean square error （RMSE）， the coefficient of determination （R2） and the mean absolute error （MAE） were 1.38440，0.84011 and 1.00910， respectively. It is proved that the improved PSO-BP model combined with soft measurement technology is feasible to predict the complex nonlinear high temperature anaerobic fermentation process of cow dung， and the accuracy of the prediction results is ensured.

Keywords：biomass energy； biogas； particle swarm optimization algorithm； BP neural network； soft-sensing technique