一种沼气高压水洗的建模及优化方法技术

本发明专利技术公开一种沼气高压水洗的建模及优化方法，包括以下步骤：步骤1：收集沼气高压水洗工艺的初始样本数据；步骤2：基于自适应在线学习机建立关于沼气高压水洗工艺的样本数据的产品气质量和设备能耗多目标初始模型，采集沼气高压水洗工艺的新样本，利用权衡旧模型和新样本特征的自适应迭代式优化模型，形成产品气质量和设备能耗多目标优化模型；步骤3：基于新型多目标差分进化算法求解沼气高压水洗工艺的产品气质量和设备能耗多目标优化模型；步骤4：决策者根据帕累托最优解集，选择产品气质量高且设备能耗较低的最佳操作变量。本发明专利技术为沼气高压水洗工艺提供一种高效的建模方法，降低了重新训练模型的计算成本，提高了模型的精度。度。度。

【技术实现步骤摘要】
一种沼气高压水洗的建模及优化方法


[0001]本专利技术涉及沼气高压水洗
，具体涉及一种沼气高压水洗的建模及优化方法。

技术介绍

[0002]沼气高压水洗工艺因其控制简单、成本低、吸收效率高、处理能力大等优点，在国内外被广泛应用于沼气项目的净化工艺中。当前，学者们对沼气高压水洗工艺所涉及的物理溶解过程、气液传质过程、设备间的物料传递过程建立了详细的机理模型，然而，机理模型所涉及的参数很难获取，数值模型的求解繁琐。而且机理模型存在很多理论假设，在实际中，模型难以应用。对于沼气高压水洗操作变量间的耦合性较强、高度非线性的工艺系统，大多学者通常利用流程模拟软件来进行优化设计。但作为灰箱模型，流程软件也会涉及理论参数的设置，物料守恒、能量守恒的校验，操作复杂。针对沼气高压水洗的优化，学者们都是利用流程仿真软件与优化算法结合求解最优操作条件。优化过程会调用多次仿真软件，导致计算成本的增加，而且在优化过程中，流程模拟可能不收敛会导致优化结果不精确。同时，优化算法的优劣会影响到最优操作条件的选择。由于这些存在的问题，研究合适的建模方法和优化算法对沼气高压水洗工艺的设计而言十分重要。
[0003]对于内部机理复杂、依赖流程软件优化求解的工程问题，常见的解决方法是建立相对应的代理模型。代理模型是采用数据驱动的方式建立的，主要包括响应曲面法，克里金法，支持向量机，和人工神经网络等。本专利技术采用的是在线极限学习机神经网络方法。在线极限学习机包括初始样本训练阶段和新增样本学习阶段。对于沼气高压水洗工艺而言，采样都是批采样过程，根据已采样数据点建立了初始模型，当新的的采样数据进入时，不需要重新对模型进行训练，而直接利用在线极限学习机的迭代式，对初始模型进行更新，提供了一种在线建模的策略。然而，一些旧的数据只会给模型带来错误，使得ELM全局的预测效果降低。其次，新样本的质量会影响预测的精度，比如新样本的数据特性与旧样本的差异较大，会造成预测曲线瞬变的情况，如果按照此新样本的数据趋势训练网络，训练的偏差较大，在线极限学习机的泛化性能下降。大多学者只考虑了旧数据的作用，加了遗忘因子，而忽略了新样本特征变化带来的影响，影响沼气高压水洗模型的精度。

技术实现思路

[0004]本专利技术为解决现有技术的不足，本专利技术提供一种沼气高压水洗的建模及优化方法，为沼气高压水洗工艺提供一种高效的建模方法，基于自适应在线学习机建立关于沼气高压水洗工艺的产品气质量和设备能耗多目标初始模型，利用权衡旧模型和新样本特征的自适应迭代式优化模型，形成产品气质量和设备能耗多目标优化模型；并基于新型多目标差分进化算法求解沼气高压水洗工艺的产品气质量和设备能耗多目标优化模型；决策者根据帕累托最优解集，选择产品气质量高且设备能耗较低的最佳操作变量，降低了重新训练模型的计算成本，提高了模型的精度。
[0005]为解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种沼气高压水洗的建模及优化方法，该方法包括以下步骤：
[0007]步骤1：收集沼气高压水洗工艺的初始样本数据；
[0008]步骤2：基于自适应在线学习机建立关于沼气高压水洗工艺的样本数据的产品气质量和设备能耗多目标初始模型，采集沼气高压水洗工艺的新样本，利用权衡旧模型和新样本特征的自适应迭代式优化模型，形成产品气质量和设备能耗多目标优化模型；
[0009]步骤3：基于新型多目标差分进化算法求解沼气高压水洗工艺的产品气质量和设备能耗多目标优化模型；
[0010]步骤4：决策者根据帕累托最优解集，选择产品气质量高且设备能耗较低的最佳操作变量。
[0011]进一步的，步骤2包括如下步骤：
[0012]步骤2.1：基于沼气高压水洗工艺的初始样本数据，以影响沼气高压水洗工艺的产品气质量和设备能耗的主要变量为输入，分别以评价沼气高压水洗工艺的产品气质量的指标和设备能耗的指标为输出，建立沼气高压水洗工艺的产品气质量和设备能耗的初始模型；
[0013]步骤2.2：建立沼气高压水洗工艺的产品气质量和设备能耗的初始模型f
PCH4
与f
Es
；
[0014]步骤2.3：采集了N
k
个新样本数据，利用权衡旧模型和新样本特征的自适应迭代式更新模型；
[0015]步骤2.4：通过步骤2.3的不断迭代更新，形成N0+N
k
组产品气质量和设备能耗多目标优化模型。
[0016]进一步的，步骤2.1中模型和输入和输入依据采集到的N0个沼气高压水洗的初始样本数据，确定极限学习机输入为X
N0*D
，D表示输入变量的维度，为影响沼气高压水洗工艺的产品气质量和设备能耗的主要变量的个数；确定极限学习机输出为T
N0*M
，M表示输出变量的维度，为沼气高压水洗工艺的产品气质量指标和设备能耗和指标，产品气质量指标指产品气中甲烷的浓度PCH4，设备能耗指标指压缩机能耗、泵能耗、冷凝器能耗、鼓风机能耗和其他辅助设备能耗的总和E
s
。
[0017]进一步的，步骤2.2包括如下步骤：
[0018]沼气高压水洗工艺的产品气质量和设备能耗的初始模型f
PCH4
与f
Es
；初始化极限学习机参数，包括隐含层节点数L，隐含层权重ω和偏置b；根据隐含层输出矩阵H0和输入矩阵X
ij
(i＝1,2,
…
,N0,j＝1,2,
…
,D)，得到沼气高压水洗工艺的产品气质量和设备能耗的模型：
[0019][0020][0021]其中，W
n
＝[w
n1
,w
n2
,
…
,w
nD
]T
是第n个隐藏层节点与输入层的连接权值；X
i
＝[x
i1
,x
i2
,
…
,x
iD
]T
是第i个D维变量；β
n
＝[w
n1
,w
n2
,
…
,w
nM
]T
是第n个隐藏层节点与输出层的连接权值；b
n
是第n个隐藏层节点的偏置；G(W
n
,b
n
,X
i
)＝g(W
nT
*X
i
+b
n
),g为激活函数。H0为N0个沼气高压水洗的样本数据的隐含层输出矩阵，其表示为：
[0022][0023]根据极限学习机得到的产品气质量和设备能耗的输出和两者的实际输出，利用最小二乘法，计算出N0个样本数据的权重β0:
[0024][0025]其中，β0对应于N0个沼气高压水洗的样本数据下的输出权重矩阵；T0对应于N0个沼气高压水洗的样本数据下的输出矩阵；K0对应于N0个沼气高压水洗的样本数据下隐含层输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种沼气高压水洗的建模及优化方法，其特征在于，该方法包括以下步骤：步骤1：收集沼气高压水洗工艺的初始样本数据；步骤2：基于自适应在线学习机建立关于沼气高压水洗工艺的样本数据的产品气质量和设备能耗多目标初始模型，采集沼气高压水洗工艺的新样本，利用权衡旧模型和新样本特征的自适应迭代式优化模型，形成产品气质量和设备能耗多目标优化模型；步骤3：基于新型多目标差分进化算法求解沼气高压水洗工艺的产品气质量和设备能耗多目标优化模型；步骤4：决策者根据帕累托最优解集，选择产品气质量高且设备能耗较低的最佳操作变量。2.根据权利要求1所述的一种沼气高压水洗的建模及优化方法，其特征在于，步骤2包括如下步骤：步骤2.1：基于沼气高压水洗工艺的初始样本数据，以影响沼气高压水洗工艺的产品气质量和设备能耗的主要变量为输入，分别以评价沼气高压水洗工艺的产品气质量的指标和设备能耗的指标为输出，建立沼气高压水洗工艺的产品气质量和设备能耗的初始模型；步骤2.2：建立沼气高压水洗工艺的产品气质量和设备能耗的初始模型f
PCH4
与f
Es
；步骤2.3：采集了N
k
个新样本数据，利用权衡旧模型和新样本特征的自适应迭代式更新模型；步骤2.4：通过步骤2.3的不断迭代更新，形成N0+N
k
组产品气质量和设备能耗多目标优化模型。3.根据权利要求2所述的一种沼气高压水洗的建模及优化方法，其特征在于，步骤2.1中模型和输入和输入依据采集到的N0个沼气高压水洗的初始样本数据，确定极限学习机输入为X
N0*D
，D表示输入变量的维度，为影响沼气高压水洗工艺的产品气质量和设备能耗的主要变量的个数；确定极限学习机输出为T
N0*M
，M表示输出变量的维度，为沼气高压水洗工艺的产品气质量指标和设备能耗和指标，产品气质量指标指产品气中甲烷的浓度PCH4，设备能耗指标指压缩机能耗、泵能耗、冷凝器能耗、鼓风机能耗和其他辅助设备能耗的总和E
s
。4.根据权利要求3所述的一种沼气高压水洗的建模及优化方法，其特征在于，步骤2.2包括如下步骤：沼气高压水洗工艺的产品气质量和设备能耗的初始模型f
PCH4
与f
Es
；初始化极限学习机参数，包括隐含层节点数L，隐含层权重ω和偏置b；根据隐含层输出矩阵H0和输入矩阵X
ij
(i＝1,2,
…
,N0,j＝1,2,
…
,D)，得到沼气高压水洗工艺的产品气质量和设备能耗的模型：,D)，得到沼气高压水洗工艺的产品气质量和设备能耗的模型：其中，W
n
＝[w
n1
,w
n2
,
…
,w
nD
]
T
是第n个隐藏层节点与输入层的连接权值；X
i
＝[x
i1
,x
i2
,
…
,x
iD
]
T
是第i个D维变量；β
n
＝[w
n1
,w
n2
,
…
,w
nM
]
T
是第n个隐藏层节点与输出层的连接权值；b
n
是第n个隐藏层节点的偏置；G(W
n
,b
n
,X
i
)＝g(W
nT
*X
i
+b
n
),g为激活函数。H0为N0个沼气高压水洗的样本数据的隐含层输出矩阵，其表示为：
根据极限学习机得到的产品气质量和设备能耗的输出和两者的实际输出，利用最小二乘法，计算出N0个样本数据的权重β0:其中，β0对应于N0个沼气高压水洗的样本数据下的输出权重矩阵；T0对应于N0个沼气高压水洗的样本数据下的输出矩阵；K0对应于N0个沼气高压水洗的样本数据下隐含层输出矩阵H0行列式的平方。5.根据权利要求4所述的一种沼气高压水洗的建模及优化方法，其特征在于，步骤2.3包括如下步骤：当沼气高压水洗设备在运行一段时间后，又采集了N
k
个新样本数据，根据以下权衡旧模型和新样本特征的自适应迭代式更新模型，即更新输出权重β以及K：型和新样本特征的自适应迭代式更新模型，即更新输出权重β以及K：其中，β
(k
‑
1)
表示根据N
k
‑
1个样本建立的模型的输出权重；T
k
为当前N
k
个数据的输出矩阵；H
k
为当前N
k
个数据的隐含层输出矩阵；...

【专利技术属性】
技术研发人员：杨世品，解生栋，李丽娟，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：