一种基于SMOTER与改进极限学习机的厌氧消化产气

本发明涉及过程预测模型建模方法，尤其涉及针对的是厌氧消化产气过程的预测模型建立技术。背景技术：1、人类面临着能源危机，石油燃料燃烧产生的温室气体会加剧全球变暖，环境污染则对人类健康产生有害影响。国家致力于发现和开发清洁、低碳和可再生能源，以取代石油燃料。餐厨垃圾含有脂肪、蛋白质和碳水化合物等有机物质可采用厌氧消化(anaerobicdigestion，ad)工艺处理，这是一种处理各种有机废物、防止污染和回收能源的方法，可以减少环境污染，并以沼气的形式回收有机馏分。2、在利用厌氧消化处理餐厨垃圾的过程中，高效监测和控制厌氧消化过程缺乏有效的手段。厌氧消化工艺包括许多生化过程，其效率受到工艺参数、操作条件、微生物种类和数量等多种因素的影响。影响ad效率的关键工艺参数包括化学需氧量(cod)、有机负载量(olrs)、ph、温度、挥发性脂肪酸(vfas)和水力停留时间(hrt)等。这些因素之间的相互作用是非常复杂的，呈现高度的非线性，操作参数的变化或不确定性的噪声干会影响厌氧消化系统，导致厌氧发酵产气性能不佳。3、近年来，基于机器学习(machine learning，ml)的模型已经成为预测厌氧消化过程的有效工具，采用ml模型预测沼气产量不需要了解过程机理，可以通过过程采集的数据样本进行产气预测。在对厌氧发酵过程的许多研究已经使用了ml算法，如人工神经网络和随机森林算法或者它们的组合算法。极端学习机(extreme learning machine，elm)是2004年提出的一种带有单个隐含层的前馈神经网络算法。elm依靠输入-隐含层权值的随机分配，将优化问题简化为隐含层-输出权值的简单线性回归，在训练过程中只需要优化隐含层神经元的数目。与其它前馈神经网络算法相比，elm学习速度更快和泛化能力更强，有效避免了由梯度下降引起的局部最优和过拟合问题。它在图像分类与识别、计算机视觉处理、电力系统、石化工业等许多工业过程领域都有广泛的应用，但很少有人将其应用于ad过程中。因此，elm的应用有望提高对厌氧发酵过程数据的理解和学习，从而提高预测能力。然而，elm算法容易陷入传统神经网络常见的局部最优问题，本发明通过将elm算法与其他算法相结合来提高预测性能。遗传算法(genetic algorithm，ga)是一种智能优化算法，可基于遗传特性找到最优解。该算法具有很高的可扩展性，能够比传统算法更快地获得更好的优化结果，尤其是对于复杂的组会问题。在ad过程中，将ml模型与ga结合起来，以提高模型预测的准确性。4、传统的ml算法不能准确地学习和预测不平衡数据。因此，由于传感器故障、不规则操作和数据传输故障导致的数据缺失问题，应用ml预测ad产气过程是比较困难的。合成少数类过采样技术(synthetic minority oversampling technique，smote)可根据样本之间的关系，生成新样本的，扩充数据集，以平衡数据比例，克服数据处理不平衡造成的问题。smoter(smote for regression)是一种改进的smote算法，可用于处理回归任务。因此，将smoter与elm模型相结合，可以提高对ad过程的不平衡数据的学习能力，从而提高模型的预测精度。技术实现思路1、本发明的目的在于解决上述背景中提出的厌氧发酵产气量不易精准预测，不同负荷下过程数据的不平衡性影响预测精度等问题，提供一种基于smoter与改进极限学习机的厌氧消化产气预测建模方法。2、本发明所述的基于smoter与改进极限学习机的厌氧消化产气预测建模方法包括如下步骤：3、1)通过现场操作获得餐厨垃圾厌氧消化过程(水解过程以及厌氧消化总过程)的每日采样数据(含进料量fv、挥发性脂肪酸含量vfas、挥发性固体量vs、总固体量ts、总碱度、ph和化学需氧量cod)并对其进行归一化；4、2)基于输入输出数据的特性，使用人为给定的偏差将极少数实例定义为极高值和极低值，将其视为少数类，并利用smoter根据少数类样本人工合成新样本添加到数据集中平衡数据；5、3)利用随机抽样的方式，将smoter过采样后的平衡数据集的80％划分为训练集，20％划分为测试集；6、4)构建elm模型，设置激活函数为relu，设置隐含层节点数；7、5)设置ga的种群规模、交叉概率、变异概率以及最大迭代次数，利用ga对elm模型进行优化，选择均方误差作为损失函数训练改进的elm模型；8、6)用最优权值和阈值初始化elm参数得到最优网络结构，运行并生成预测结果。9、所述的一种smoter与基于改进极限学习机的厌氧消化产气预测建模方法的厌氧消化产气过程以餐厨垃圾为底物，对餐厨垃圾采集的原料预处理，经过水解反应器进行两段ad工艺产沼气，经过厌氧发酵后的产生的沼气存储在气体收集器中，用于发电或脱硫后作为燃料，ad后的残渣经固液分离得到肥料。10、所述的一种smoter与基于改进极限学习机的厌氧消化产气预测建模方法的smoter是用于处理不平衡回归数据的改进的合成少数类过采样技术，使用预设的偏差将极少数样本定义为非常高或非常低的值，将这两种类型视为少数类，与smote通过线性插值在两邻近的少数类合成新样本相比，smoter合成样本的目标变量的值由临近的两少数类的加权平均值来确定。11、所述的一种smoter与基于改进极限学习机的厌氧消化产气预测建模方法的改进极限学习机是针对elm随机产生的输入层权值和隐含层阈值导致网络不稳定的问题，采用遗传算法对极限学习机的权值和阈值进行优化，elm的计算过程具体为首先提供一个训练集如式(1)：12、{(in，tn)＝|n＝1，2，...n；in∈rw；tn∈rv}    (1)13、式中，in为输入数据向量，tn为每个样本的目标值向量；当存在k个隐藏节点时，elm的输出为：14、15、其中ωk＝[ωk1，ωk2，...，ωkw]t和βk＝[βk1，βk2，...，βkw]t(k＝1，2，...，k)分别表示第k隐层神经元的输入权值和输出权值；bk和g(ωk·in+bk)分别表示第k隐层神经元的偏置和输出，将权重和偏置代入样本，就可以得到输入层传入隐藏层后的结果，隐藏层在接收到信号后，对k个神经元用激活函数进行激活，激活后从隐藏层传递出去，h为隐含层的输出矩阵(随机矩阵)，输出可简化为：16、hβ＝t           (3)17、18、利用最小二乘法计算式5)，它的解为隐含层与输出层间的权值：19、20、ga优化目的是针对elm随机初始化权值阈值带来的网络预测不稳定，通过优化权值和阈值，提升预测精度。因此，将训练集与测试集整体的均方误差作为适应度函数，适应度函数值越小，表明训练越准确，且兼顾模型的预测精度更好，适应度函数表示如下：21、f＝min(msetrainingset，testingset)          (6)22、所述的一种smoter与基于改进极限学习机的厌氧消化产气预测建模方法的ga优化elm预测模型的步骤为：23、1)确定elm的拓扑结构，即输入层神经元个数，隐含层神经元个数以及输出层神经元个数，构建elm预测模型；24、2)初始化染色体种群编码，随机生成一组elm的参数作为初始种群；25、3)设置适应度函数，利用elm对样本的预测输出与实际输出之间的均方误差作为适应度函数，计算初始种群中个体的适应度值；26、4)进行选择、交叉、变异操作。采用轮盘赌选择时，对于适应度函数，由于取的是均方误差，在进化过程中，均方误差减小，因此轮盘赌设计时适应度函数需取倒数，从而选择适应度大的个体。；27、5)计算子代个体的适应度，并与父代个体合并，留下适应度值较好的个体构成新的子代种群；28、6)反复迭代执行步骤4)和步骤5)，直到迭代次数达到设定的最大值；29、7)输出最好的染色体信息。对适应度值最好的染色体进行解码，并将解码后得到的权值和阈值赋给预测使用的elm；30、8)以最优的权值和阈值初始化elm的参数，获得最优的网络结构。最后测试网络的预测精度。31、所述的一种smoter与基于改进极限学习机的厌氧消化产气预测建模方法模型中激活函数与隐含层节点数的设置通过穷举法选择最优参数，符合满足优化条件和防止过拟合的原则。32、本发明针对厌氧发酵产沼气过程中的数据不平衡问题提出利用smoter合成少数类数据，增加相对来说极高和极低数据的数据量，使得预测模型能够更好的学习采集数据的信息，可以准确预测各种生产条件下的产值；ga-elm预测模型通过优化elm的权值阈值，使得模型稳定性提高，将平衡过后的数据输入到模型中可以准确预测ad产气过程的沼气产量。