基于信息熵的生物质气化炉预测

黄　俊，罗　伟

(湖南铁道职业技术学院，湖南 株洲　412001)



基于信息熵的生物质气化炉预测

黄俊，罗伟

(湖南铁道职业技术学院，湖南 株洲412001)

摘要：针对生物质气化过程的复杂特性，提出一种基于信息熵的生物质气化炉温度预测方法。首先,该模型利用灰色过程神经网络模型及预测模型对生物质气化炉的温度分别进行预测，通过使用信息熵法确定预测子模型的加权系数；然后把两个子模型进行加权集成，从而得到更加准确的炉温预测模型，确保了生物质气化炉温度的稳定控制。仿真效果表明了该方法的有效性。

关键词：生物质；气化炉；炉温；信息熵

0引言

生物质气化炉其特别之处在于其外形与传统的煤球炉相比，多了一根长管子。其原理是：通过在缺氧、高温的条件下，将茅草、树叶、秸秆和废菌棒等农业生产和自然生长的可再生资源及农业有机废弃物作为原料，使原料在发生热化学反应并热裂解生成可燃性混合气体的同时产生热量。这些通过热化学反应产生的热量能被直接利用于农民朋友的生产、生活当中，为农民生活做出极大贡献。生物质气化炉的使用，不仅可以变废物为资源，还能极大地改善广大农民朋友的生活环境，在改善农村炊事条件和降低环境污染方面做出的贡献尤为显著，价值极大[1-2]。

生物质气化过程很难用精确的数学模型表达，原因在于它是一个具有非线性、不稳定性、非最小相位特征、大时滞和负荷干扰特点的动态过程[3]，并且包含许多不确定性因素，一般的控制系统很难达到预期控制效果。现今，大多对生物质气化炉采用控制的手段[3]，但为进一步提高对生物质气化炉温度的控制精度，增强后续控制的稳定性，有必要对生物质气化炉的温度进行预测。

灰色预测是以GM(1,1)模型为基础，并且无需建立被控对象模型，能根据已有的行为特征量中找到规律，从而预测将来的系统行为；当预测出系统将来的行为趋势，灰色预测会将与之对应的决策制定出来。因为这个控制决策是对系统将来行为动作的提前预测控制，并且具有自适应性强、结构简单及速度快等优点，在复杂的动态过程中采用灰色预测比较适合，且可以较好地满足复杂动态系统的实时控制[4-]。对传统人工神经网络来说，过程神经网络是在其时间域上的扩展, 且时变函数可以作为过程神经网络的输入和与其相对应的连接权。因为过程神经网络的非线性具有一种时变映射能力，所以适合应用在无需精确数学模型的过程建模中；对于时变系统可以充分反映其实际存在的时间累积效应，因此过程神经网络非常适合运用在复杂的非线性过程建模[6-7]之中。

生物质气化过程是一类具有非线性、强耦合及时变的复杂工业过程，对其进行控制时，如果只采用经典控制和现代控制这两个理论的话很难达到理想的控制效果。因此，针对生物质气化过程的复杂特性，本文提出了一种基于信息熵的生物质气化炉温度加权预测模型。该加权预测模型分别通过采用过程神经网络模型灰色预测方法和灰色预测方法对气化炉进行温度预测；同时，为了得到温度预测结果的最佳效果、保证稳定的生物质气化炉温度，本文以信息熵法来得到较为准确的子模型加权系数，并加权集成子模型。

1工艺分析

生物质碳和气体两者之间的非均相反应气体及均相反应是生物质气化过程的本质。该气化过程非常复杂，在气化设备、反应条件(如气化反应剂的种类、气化原料种类、原料的含水率、气化反应温度、反应时间、有无催化剂的添加等)的不同及气化工艺过程差异的情况下，反应过程也大相庭径，一般都会经历4个过程：即干燥、热解、氧化、还原。在这4个反应过程之中，属于放热反应的只有氧化反应，这些释放出来的热量会为其它3个过程(即生物质干燥、热解和还原)提供热量。上述4个反应过程在实际气化过程中没有明确的边界，它们会相互渗透、交错。

在生物质气化炉中，炉中温度变化的主要影响因素有3方面：①生物质热值的变化；②生物质给料量的变化；③一次风量的变化。由此可知生物质气化过程是一个具有高度非线性、时变特性、大滞后的复杂农业生产过程。为确保气化炉的温度稳定在生产工艺所需范围内，生物质气化过程的动态模型的建立对确保稳定控制气化炉温度有着非比寻常的意义。为此，本文提出了一种基于灰色预测和过程神经网络的集成预测模型对生物质气化炉进行预测的方法。

2生物质气化炉温度预测模型

为了提高气化炉的温度预测精度，尽可能接近气化炉实际温度值，本文通过采用信息熵值的信息方法将灰色预测方法和神经网络方法进行加权组合，得到气化炉温度的精确预测模型。

2.1气化炉温度灰色预测模型

灰色模型中常用的模型为GM(1, 1)模型。通过分析生物质气化炉的温度数据，可以了解到气化炉温度数据具有一定的灰色特性，所以使用灰色预测方法可以较好地解决气化炉温度的预测问题。对于生物质气化过程的预测来说，主要通过历史时刻气化炉温度来对将来时刻的气化炉温度进行预测。为此，可采用GM(1, 1)模型对其进行预测，步骤如下。

(1)

GM(1, 1)模型要求生物质气化炉的原始数据序列具有单调性、上凹性和非负性变化特性，那么模型预测条件的充要条件为数列维数n≥4(通常取4～8个数据建模)。原始数据列的分布及建模维数关乎GM(1, 1)模型的预测精度，太多的旧信息容易湮没新信息的特点，造成气化炉温度预测对系统波动的反应迟缓，减弱其跟踪性能。另外，一般建模维数为6 。为此，选取气化炉温度历史数据为6，即取n=6。

(2)

(3)

步骤 3：建立灰微分方程，气化炉温度的灰色GM(1,1)模型描述为

(4)

k=2, 3, …, 6

(5)

其中，θ(0<θ<1)为常数系数，结合气化炉温度的特点，θ取值为0.5。

将(5) 式写成如下的矩阵形式，有

(6)

(7)

(8)

(9)

步骤 4：运用最小二乘法求参数a、b，有

(10)

步骤 5：气化炉温度的GM(1, 1)模型对应的一阶白化微分方程为

(11)

初始条件为

(12)

则一次累加生成气化炉温度的灰色预测值为

k=1, 2, 3, …, 6

(13)

步骤6：累减还原并得到气化炉温度历史数据的预测值，由IAGO的定义，有

x(0)(k+1)=x(1)(k+1)-x(1)(k)

(14)

将式(13)代入式(14)，得到气化炉温度累减还原后的预测值为

k=1, 2, 3, …, 6

(15)

2.2气化炉过程神经网络方法

由于生物质气化炉的温度不会突然发生变化，所以选择采用气化炉历史温度数据来预测当前时刻的气化炉温度，以此将气化炉温度数据的时间相关性反映出来。由于人工神经网络具有函数逼近和非线性映射能力的特点，而且能把过程控制量在实际中将自身的时间相关性也反映出来，有些学者提出了由若干过程神经元和一般非时变神经元按一定拓扑结构组合而成的过程神经网络模型方法。这种方法的权值和输入都是时变函数，聚合运算包括对时间过程的累积及对空间的多输入聚合这两部分，可以将时间序列中存在的时间累积效应充分地反映出来。

基于过程神经网络预测模型建立的的总体思想上，具有3层结构的典型的过程神经网络模型如图1所示，1-7-1为拓扑结构。

图1　典型的过程神经网络模型方法

(16)

其中，过程神经元的输入函数用x(t)表示；相应的连接权函数用wi(t)表示；从隐层节点到输出节点的连接权值用vi表示；样本采样区间用[0,T]表示；激励函数用f(·)表示；过程神经元的阈值用θ表示。

根据Weierstrass所提出的逼近定理和Gram-Schmidt正交化过程，式(16)可化简为

(17)

其中，an,win∈R是展开式系数。

(18)

为降低网络对误差曲面局部细节的敏感性，进行网络的训练，本文采用文献[8]中提出的为训练参数的调整加动量项及具有自适应学习速率的方法。

2.3基于信息熵的模型

为了让软测量结果尽可能与实际的软测量行为情况相接近，必须通过建立灰色软测量模型及过程神经网络模型来进行集成。文中的信息熵算法是一种以加权算法为基础的集成方法。为建立起气化炉温度模型，先将上述两个单一模型进行加权处理，之后通过熵值递推算法来综合两个模型使得加权系数得到优化。

(19)

其中，ωi为第i个模型的加权系数。

为保证可解释性，ωi必须满足

(20)

其中，表示在第t时刻、第i个模型的软测量相对误差。则有

(21)

信息嫡的基本思想：在气化炉温度模型的两个时刻的模型(即当前t时刻的模型及其上一1时刻的模型)的相对误差的基础上，气化炉温度量的相对误差序列从而建立，并采用信息熵值先进方法推算确定加权系数。

步骤1：m为初始化模型的个数，取值为2；i为模型序号，取值为1；当前采样时刻为系统时间点t；n为迭代次数取值为0。

步骤2：计算第i个软测量模型在t时刻下的相对软测量误差，并增加迭代计数n=n+1。

步骤3：考虑工程实施的可行性，如果n=2成立，那么算法就进入到步骤2进行重新计算，反之转到步骤4。

步骤4：根据式(22)，计算第i个模型在t时刻下的相对预测误差比重pit，有

(22)

步骤5：根据式(23)在t时刻下，计算第i个模型相对预测量误差的熵值Eit。有

Eit=-r(pitlnpit+pi,t+1lnpi,t+1)

(23)

步骤6：通过变异程度与其软测量相对误差的熵值大小相反的原则，根据式(24)并计算出第i个单一模型软测量相对误差序列的变异程度系数dit，有

dit=1-Eit,i=1,…,m

(24)

步骤7：如果i=m成立，则表示所有参与加权计算的模型都被遍历，之后转至步骤8进行处理；剩余模型继续进行计算，令t=t+1，i=i+1，步骤2重复进行。

步骤8：根据式(25)，计算出第i个单一软测量模型在t时刻下的加权系数ωit，有

(25)

(26)

3仿真实验

针对生物质气化炉温度预测问题，建立过程神经网络和灰色预测这两个模型，运用信息熵算法得到生物质气化炉温度预测模型。

将本文方法与灰色预测进行对比实验，分别采用该气化炉实际运行的3000组数据和在相同条件下的500组数据作为训练样本和试验样本。以此来验证在实际生产中本文方法的有效性。根据上节加权系数的确定步骤，可得到气化炉温度模型，即

(27)

图2为仿真对比实验在样本数据相同的条件下，所得的结果。由图2看出：单纯的灰色预测方法在生物质气化这一复杂过程中，仅考虑到了温度变化在时间序列上的连续性，没能够综合考虑多个对气化炉温度有影响的其他因素，导致预测精度比较低，通过计算实际检测值与最终的预测曲线的平均误差值，其结果高达23.5%。而本文所采用的以信息熵为基础的信息熵算法，可以集灰色预测模型和过程神经网络模型的优点为一体，让预测精度得到提高，平均误差通过计算后所得的值只有4%。

图2　仿真对比试验

4结论

针对生物质气化过程的预测问题，为确定单一预测模型的加权系数，运用信息论中的熵值法来进行解决，并加权集成过程神经网络模型方法和灰色预测模型方法的预测结果，同时建立智能集成预测模型，以此将生物质气化炉的温度较为精确地预测出来。通过比较其与单一的过程神经网络模型和灰色模型的预测性能，本文所提出的方法更具有有效性。

参考文献：

[1]王中贤, 张红, 陈兴元, 等.热管生物质气化炉的模拟与试验[J].江苏大学学报:自然科学版, 2008, 29(6): 512-515.

[2]李鹏，王维新，吴杰，等．生物质气化及气化炉的研究进展[J]．新疆农机化，2007，10(3) : 46-48．

[3]刘辉．基于混合粒子群算法的生物质气化炉改进模糊串级控制[J].仪器仪表学报，2011,32(3):583-5890.

[4]王天堃，周黎辉，韩璞，等.基于灰色广义预测控制的网络化控制系统丢包补偿[J]．信息与控制，2007，36 (3): 322-327.

[5]邓聚龙．灰色控制系统[M]．武汉：华中理工大学出版社，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]何新贵, 梁久祯.过程神经网路的若干理论问题[J].中国工程科学, 2000, 2(12): 40-41.

[8]钟诗胜, 朴树学,丁刚.改进BP算法在过程神经网络中的应用[J].哈尔滨工业大学学报, 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

文章编号：1003-188X(2016)01-0242-05

中图分类号：S216

文献标识码：A

作者简介：黄俊(1970-)，男，湖南湘潭人，讲师，(E-mail)734192664@qq.com。通讯作者：罗伟(1979-)，男，湖南株洲人，副教授，硕士，(E-mail)29607150@qq.com。

基金项目：湖南省教育厅科学研究项目(13C591)

收稿日期：2015-01-07