[发明专利]一种基于新型BP神经网络建模的沼气生产过程的预测方法

说明书

本发明公开了一种基于新型BP神经网络建模的沼气生产过程的预测方法。包括如下步骤：通过现场操作或者实验获得沼气生产过程中的数据(不同原料的配比及其各自指定发酵时间的输出产气量Y)；将采集到的数据用于新型BP神经网络的训练；利用训练到的最终模型对沼气生产过程的不同原料配比进行产气预测，并且再次验证所获取模型的有效性；将通过验证的模型用于实际沼气工程的原料配比技术指导。本发明可靠性及精度都非常高，克服了目前甲烷生产企业原料盲目配比的低效益生产模式，可实现相同原料种类下不同配比的沼气企业效益提前精确预测，可广泛应用。

技术领域

本发明涉及一种沼气预测方法，尤其针对甲烷企业具有不同种原料来源的混合厌氧发酵产沼气亟需的高新技术。

背景技术

全球能源的需求不断增大，其中化石燃料所占燃料比重为89％，由于化石燃料是不可再生能源，并且它的利用会导致全球污染。在这严峻的情况下，人们越来越注重可再生能源的发展，其中就包括沼气。沼气是多用途的可再生能源，既可以替代化石燃料，又可以当作车用燃料，而富含甲烷的沼气还可以替代天然气使用。因此，甲烷作为沼气最主要成分成为近年来的研究热点，它是一种由有机废物的厌氧消化(Anaerobic Digestion，AD)产生的生物燃料，通过水解，产乙酸和产甲烷菌在有机材料上的协调代谢活动。AD产甲烷是最经济有效的产生物能方式之一，用于产能低的国家和节约化学品。考虑到世界日益枯竭的资源与社会发展所面临的资源需求之间的矛盾，基于沼气生产的新能源开发与先进生产技术研究是当前各国此领域内专家普遍认同的解决该问题的有效手段。我国现有丰富的生物质能源，而且地球地大物博能够产出沼气的原料很多。单一的原料容积产气率较低，而混合原料产气率高于任以一单一原料的容积产气率。故基于可获得的原料种类的最佳配比的技术具有非常重要的意义，此问题涉及到不同原料的配比与产气量之间的模型预测问题。故基于可获得的原料种类的最佳配比的技术具有非常重要的意义，此问题涉及到不同原料的配比与产气量之间的模型预测问题。BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。BP神经网络建模方法将是今后建模方法发展的主要方向。

人工神经网络是在模拟大脑神经功能的基础上设立的一种信息处理系统，是一个适宜开发生物进程的模型，它不必事先了解各个物质之间的动力学和文化环境。它包含三个层级，分别是输入层、隐含层、输出层，其中隐含层可以有多个，在一般情况下，采用的是三层结构，如附图2所示。BP神经网络是人工神经网络其中一种，是基于误差反向传播的多层前向神经网络。它模拟人脑神经元对外部刺激信号的反应过程，建立多层感知器，并且运用信号的正向传播和误差的反向调节，进行多次学习，进而形成神经网络模型。

BP算法的学习过程包括两个阶段：信号的正向传播和误差的反向传播。

信号正向传播：外界信号由输入层经由隐含层传到输出层，在输出端产生输出信号，网络的权值在信号向前传播的过程中是固定的，如果输出层没有得到期望的输出，则转入误差信号反向传播过程。

误差信号反向传播：误差信号由输出端开始逐层向前传播，各单元层神经元的连接权重由误差反馈进行调节，通过反复调节使得神经元之间的权值不断的修正，当输出端的实际输出靠近期望输出时，停止学习。

传统的BP神经网络是基于数据的，需要大量的数据，而且会陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。在本发明中提出的新型BP神经网络不仅仅克服数据量少的问题而且精度还高。

本发明方法用新型BP神经网络建模方法在建模软件上构建新型BP神经网络的反向传播多层感知体系结构，建立三层新型BP神经网络模型，采用新型BP神经网络训练并预测出更拟合实验数据的结果。基于准确模型的不同原料的配比，可以很快的预测出不同原料配比的将来比较精确的沼气累计产气量，进而对非最优的原料配比发酵过程进行预筛选，提高沼气企业的经济效益。

发明内容