黃　俊，羅　偉

(湖南鐵道職業(yè)技術學院，湖南 株洲　412001)

?

基于信息熵的生物質氣化爐預測

黃俊，羅偉

(湖南鐵道職業(yè)技術學院，湖南 株洲412001)

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

關鍵詞：生物質；氣化爐；爐溫；信息熵

0引言

生物質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)有機廢棄物作為原料，使原料在發(fā)生熱化學反應并熱裂解生成可燃性混合氣體的同時產(chǎn)生熱量。這些通過熱化學反應產(chǎn)生的熱量能被直接利用于農(nóng)民朋友的生產(chǎn)、生活當中，為農(nóng)民生活做出極大貢獻。生物質氣化爐的使用，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尤為顯著，價值極大[1-2]。

生物質氣化過程很難用精確的數(shù)學模型表達，原因在于它是一個具有非線性、不穩(wěn)定性、非最小相位特征、大時滯和負荷干擾特點的動態(tài)過程[3]，并且包含許多不確定性因素，一般的控制系統(tǒng)很難達到預期控制效果?，F(xiàn)今，大多對生物質氣化爐采用控制的手段[3]，但為進一步提高對生物質氣化爐溫度的控制精度，增強后續(xù)控制的穩(wěn)定性，有必要對生物質氣化爐的溫度進行預測。

灰色預測是以GM(1,1)模型為基礎，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，從而預測將來的系統(tǒng)行為；當預測出系統(tǒng)將來的行為趨勢，灰色預測會將與之對應的決策制定出來。因為這個控制決策是對系統(tǒng)將來行為動作的提前預測控制，并且具有自適應性強、結構簡單及速度快等優(yōu)點，在復雜的動態(tài)過程中采用灰色預測比較適合，且可以較好地滿足復雜動態(tài)系統(tǒng)的實時控制[4-]。對傳統(tǒng)人工神經(jīng)網(wǎng)絡來說，過程神經(jīng)網(wǎng)絡是在其時間域上的擴展, 且時變函數(shù)可以作為過程神經(jīng)網(wǎng)絡的輸入和與其相對應的連接權。因為過程神經(jīng)網(wǎng)絡的非線性具有一種時變映射能力，所以適合應用在無需精確數(shù)學模型的過程建模中；對于時變系統(tǒng)可以充分反映其實際存在的時間累積效應，因此過程神經(jīng)網(wǎng)絡非常適合運用在復雜的非線性過程建模[6-7]之中。

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

1工藝分析

生物質碳和氣體兩者之間的非均相反應氣體及均相反應是生物質氣化過程的本質。該氣化過程非常復雜，在氣化設備、反應條件(如氣化反應劑的種類、氣化原料種類、原料的含水率、氣化反應溫度、反應時間、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，反應過程也大相庭徑，一般都會經(jīng)歷4個過程：即干燥、熱解、氧化、還原。在這4個反應過程之中，屬于放熱反應的只有氧化反應，這些釋放出來的熱量會為其它3個過程(即生物質干燥、熱解和還原)提供熱量。上述4個反應過程在實際氣化過程中沒有明確的邊界，它們會相互滲透、交錯。

在生物質氣化爐中，爐中溫度變化的主要影響因素有3方面：①生物質熱值的變化；②生物質給料量的變化；③一次風量的變化。由此可知生物質氣化過程是一個具有高度非線性、時變特性、大滯后的復雜農(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，生物質氣化過程的動態(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測和過程神經(jīng)網(wǎng)絡的集成預測模型對生物質氣化爐進行預測的方法。

2生物質氣化爐溫度預測模型

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

2.1氣化爐溫度灰色預測模型

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，所以使用灰色預測方法可以較好地解決氣化爐溫度的預測問題。對于生物質氣化過程的預測來說，主要通過歷史時刻氣化爐溫度來對將來時刻的氣化爐溫度進行預測。為此，可采用GM(1, 1)模型對其進行預測，步驟如下。

(1)

GM(1, 1)模型要求生物質氣化爐的原始數(shù)據(jù)序列具有單調性、上凹性和非負性變化特性，那么模型預測條件的充要條件為數(shù)列維數(shù)n≥4(通常取4～8個數(shù)據(jù)建模)。原始數(shù)據(jù)列的分布及建模維數(shù)關乎GM(1, 1)模型的預測精度，太多的舊信息容易湮沒新信息的特點，造成氣化爐溫度預測對系統(tǒng)波動的反應遲緩，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)，結合氣化爐溫度的特點，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測值為

k=1, 2, 3, …, 6

(15)

2.2氣化爐過程神經(jīng)網(wǎng)絡方法

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

基于過程神經(jīng)網(wǎng)絡預測模型建立的的總體思想上，具有3層結構的典型的過程神經(jīng)網(wǎng)絡模型如圖1所示，1-7-1為拓撲結構。

圖1　典型的過程神經(jīng)網(wǎng)絡模型方法

(16)

其中，過程神經(jīng)元的輸入函數(shù)用x(t)表示；相應的連接權函數(shù)用wi(t)表示；從隱層節(jié)點到輸出節(jié)點的連接權值用vi表示；樣本采樣區(qū)間用[0,T]表示；激勵函數(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)絡對誤差曲面局部細節(jié)的敏感性，進行網(wǎng)絡的訓練，本文采用文獻[8]中提出的為訓練參數(shù)的調整加動量項及具有自適應學習速率的方法。

2.3基于信息熵的模型

為了讓軟測量結果盡可能與實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)絡模型來進行集成。文中的信息熵算法是一種以加權算法為基礎的集成方法。為建立起氣化爐溫度模型，先將上述兩個單一模型進行加權處理，之后通過熵值遞推算法來綜合兩個模型使得加權系數(shù)得到優(yōu)化。

(19)

其中，ωi為第i個模型的加權系數(shù)。

為保證可解釋性，ωi必須滿足

(20)

其中，表示在第t時刻、第i個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時刻的模型(即當前t時刻的模型及其上一1時刻的模型)的相對誤差的基礎上，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方法推算確定加權系數(shù)。

步驟1：m為初始化模型的個數(shù)，取值為2；i為模型序號，取值為1；當前采樣時刻為系統(tǒng)時間點t；n為迭代次數(shù)取值為0。

步驟2：計算第i個軟測量模型在t時刻下的相對軟測量誤差，并增加迭代計數(shù)n=n+1。

步驟3：考慮工程實施的可行性，如果n=2成立，那么算法就進入到步驟2進行重新計算，反之轉到步驟4。

步驟4：根據(jù)式(22)，計算第i個模型在t時刻下的相對預測誤差比重pit，有

(22)

步驟5：根據(jù)式(23)在t時刻下，計算第i個模型相對預測量誤差的熵值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)并計算出第i個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計算的模型都被遍歷，之后轉至步驟8進行處理；剩余模型繼續(xù)進行計算，令t=t+1，i=i+1，步驟2重復進行。

步驟8：根據(jù)式(25)，計算出第i個單一軟測量模型在t時刻下的加權系數(shù)ωit，有

(25)

(26)

3仿真實驗

針對生物質氣化爐溫度預測問題，建立過程神經(jīng)網(wǎng)絡和灰色預測這兩個模型，運用信息熵算法得到生物質氣化爐溫度預測模型。

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

(27)

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

圖2　仿真對比試驗

4結論

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

參考文獻：

[1]王中賢, 張紅, 陳興元, 等.熱管生物質氣化爐的模擬與試驗[J].江蘇大學學報:自然科學版, 2008, 29(6): 512-515.

[2]李鵬，王維新，吳杰，等．生物質氣化及氣化爐的研究進展[J]．新疆農(nóng)機化，2007，10(3) : 46-48．

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

[4]王天堃，周黎輝，韓璞，等.基于灰色廣義預測控制的網(wǎng)絡化控制系統(tǒng)丟包補償[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, 2000, 2(12): 40-41.

[8]鐘詩勝, 樸樹學,丁剛.改進BP算法在過程神經(jīng)網(wǎng)絡中的應用[J].哈爾濱工業(yè)大學學報, 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

文獻標識碼：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。

基金項目：湖南省教育廳科學研究項目(13C591)

收稿日期：2015-01-07