基于数据融合IGA-RGRNN低阶煤制甲烷产量预测模型

荣德生，胡举爽，赵君君，杨学鹏

（辽宁工程技术大学电气与控制工程学院，葫芦岛 125105）

能源是经济建设与发展的基础，燃料作为现今能源的重要组成部分，其深入研究和合理运用一直是重中之重。天然气具有清洁干净，使用方便、燃效高、价格低的优势，是人民生活中使用的主要燃气资源。近年来国家实施能源多元化战略，提倡开发和使用规模化制甲烷技术，最大限度地使用低质或劣质燃料制甲烷，因此利用低阶煤生产甲烷项目得到了广泛的关注[1～2]。在低阶煤制甲烷过程中影响甲烷产出量的因素较多，使系统具有随机性和极强的不稳定性。广义旋转回归神经网络RGRNN（rotated generalized regression neural network）拥有处理非线性随机变量的超强性能，可在低阶煤制甲烷产量预测过程中发挥极大的潜力[3～4]。改进遗传算法IGA（improved genetic algorithm）具收敛速率高、布局简单等优势，在系统预测过程中可对网络进行合理优化[5～6]。本研究通过数据采集与监控系统采集低阶煤制甲烷过程实时数据，运用信息融合技术与改进遗传算法-广义旋转回归神经网络IGA-RGRNN（improve genetic algorithm-rotated generalized regression neural network）算法相结合的方法建立预测模型，首次把该算法引入到低阶煤制甲烷产量的预测过程中，解决了系统数据存在的精度低、泛化能力弱的问题。

1 低阶煤制甲烷多传感器预测模型

影响低阶煤制甲烷产量的因素众多，包括原料、加热条件、添加剂、停留时间、升温速率等，而这些因素与传感器之间存在极其复杂的非线性映射关系。信息融合是通过对影响甲烷产量产生的变量进行加工构成信息序列，使采集与监测系统获取的各项信息流融合成源信息，达到对各项数据信息整合的目的。虽然数据融合技术降低了单个采集监测系统在预测过程中的偶然性，但该技术侧重于数据的实时决策，缺乏对未来数据的预测能力，不能对煤制甲烷趋势进行有效追踪。因此，利用IGA的全局搜索能力得到RGRNN的最优参数来实现对整个系统的预测功能，即应用IGA-RGRNN预测方法构建低阶煤制甲烷产量预测模型。

1.1 煤制甲烷过程分析

目前较成熟的制甲烷化工工艺方法有氧气气化、加氢气化和催化蒸汽气化3类。煤中碳元素的质量分数一般均大于50%，氧元素一般小于10%，碳氢质量比为3。只有反应器内的碳氢质量比越趋近于3才会使得反应之后的甲院产量较高。为使反应过程中的碳氢达到最佳比值的需要在反应器内不断加入适量的氢气。与煤氧气气化和蒸汽气化比较，煤直接制氢和煤加氢气化反应的温度条件均偏低且压力条件偏高。煤加氧气化反应的反应温度区间为500～800℃左右，反应压力区间为5～10 MPa，而煤直接制氢反应的反应温度区间为600～850℃左右，反应压力区间为1～5 MPa，所以可对两方法加以整合。对于这种以CaO吸收体为基础的加氢气化反应，选取合适的水蒸汽量和CaO含量，理论上可达到反应气体产物中只含有CH4的效果，即煤直接制甲院系统。

煤制甲烷系统中采用“直接制氢，矿石固化二氧化碳”的方法构成煤制甲烷系统，实现一步法制甲烷工艺，其工作原理如图1所示。

图1 煤直接制甲烷反应Fig.1 Reaction of direct production of methane from coal

反应器内主要反应方程为

理想状态下，反应器内总反应为

采用该方法制甲烷具有工艺流程简单，高能量转换率的优点，并且总体反应为放热反应，系统无需外界提供热量，热效率高。

1.2 信息融合技术

信息融合技术可解决复杂多变环境中数据信息冗杂等问题，RGRNN网络在高度非线性的超大规模连续时间系统中具有自适应信息处理能力，因而将信息融合技术加入到IGA-RGRNN算法之中。利用采集监测系统获取待处理参数，然后将多次监测获得的信息作为源融合信息并对其进行融合。

式中：Si为采集数据与平均值之间模糊贴近度；wi为相对权重。

1.3 低阶煤煤制甲烷多传感器预测过程

多传感器数据融合技术以多个易测过程信息为基础，通过各种现代非线性信息处理方法和多传感器信息融合技术，对多信息源信号进行处理和智能化合成，以得到比单信息源更完全、更准确的估计和判别，既可以是物理意义上的传感器，也可以是对物理传感器输出信号的某种处理方法或结果。

基于IGA-RGRNN的多传感器低阶煤制甲烷产量预测模型如图2所示。预测过程如下。

图2 IGA-RGRNN多传感器预测模型Fig.2 Multi-sensor prediction model based on IGARGRNN

（1）信息采集与初始值设定。通过监控系统与检测装置获取影响甲烷产出量的数据信息，并利用信息融合技术进行处理得到新数据作为 IGARGRNN的源信息，对源信息进行数据初始化。

（2）组建样本序列。将初始化的数据进行组建使其构成包含输入、输出信息的序列{X，Y}，其中X∈Rn，Y∈Rn分别表示IGA-RGRNN的输入变量与输出变量。

（3）样本序列进行IGA-RGRNN训练。

（4）误差校正。根据参考模型与IGA-RGRNN预测模型进行差值计算，对系统误差加以校正。

2 基于IGA-RGRNN预测模型

将信息融合技术与IGA-GRNN算法相结合，创建低阶煤制甲烷产量预测模型。广义回归神经网络可在同一结构下直接以采样或计算得来的数据对网络进行修改，无需多次计算参数重复训练，这使得它在非线性拟合方面有明显优势。利用信息融合数据和IGA算法在全局范围搜索时能够自发获得和聚集关于时间和空间知识优化的RGRNN网络的最优参数，实现对甲烷产出量的预测功能[9]。

2.1 RGRNN网络模型

广义回归神经网络GRNN（generalized regression neural network）结构如图3所示，此网络神经元被激活后通过逐步逼近来完成输入矢量函数值从特定区域到样本矢量值的映射，适用于集合为一维或数据信息分布与高斯分布比较接近的情况，反之将难以达到最优的拟合从而增加了计算过程的复杂性。RGRNN网络克服了上述缺点，通过进行旋转坐标变换得到最优拟合旋转角，再进行拟合使误差最小[10-12]。

图3 GRNN网络结构示意Fig.3 Schematic of GRNN structure

图3中，输入层神经元个数与样本向量维数均为m，X=[x1，x2，…，xm]，Y是网络输出变量，定义为

旋转坐标下的回归方程为

将式（7）代入式（6），整理可得网络输出，即

由式（8）可知，光滑因子δ对网络的预测性能影响较大，采用改变δ值的学习方法可获得最佳回归估计结果，方法如下：①令光滑因子以增量Δδ在一定的范围（min δ，max δ）内递增变化；②在学习样本中，除去几个样本进行测试，用剩余样本训练神经网络；③用构建的网络模型计算测试样本的预测误差；④重复②、③，直到所有的训练样本都有一次用于测试，求得预测误差的平均值，即

作为目标函数。由于GRNN网络在数据信息与输出样本拟合过程具有产生最大误差的特点，因此将对应维数样本数据进行旋转，优化了GRNN网络在煤制甲烷产量预测数据与高斯分布相异时产生的弱点，提高了网络预测精度。

2.2 IGA算法

遗传算法GA（genetic algorithm）是一种模拟自然界生物进化机制的搜索和优化方法，运用自然调整方式随机进行整体种群的搜索以达到自动筛选和单体间数据互换的目。它具有强大的并行运算能力与鲁棒性，在其运算过程中以种群中个体样本为操作单元，对个体样本进行选择、交叉与变异等一系列处理来实现种群的遗传筛选，而3种基本环节的算子使GA算法有更大的优越性。GA的初始数据为数据融合信息，对其特征编码方式、适应度映射关系确定、遗传处理三方面进行优化，使该算法增加局部搜索能力并且加大收敛速度。将特征编码设置成底层参数双层控制的结构，适应度映射关系定义为

式中：avg（E）为平均值；max（E）为最大值。定义交叉与变异表达式为

式中：K1、K3为交叉适应系数；K2、K4为变异适应系数。当种群处于初始时期需选取尽可能大的值，保证整体有更大的差异性；后期需选取尽可能小的适应系数，保证整体差异性稳定于某一水平。

2.3 特征值选取与预测模型的实现

低阶煤制甲烷产量预测是一个受多因素影响的动态非线性预测，选取以下几个主要影响因素进行分析：是否加入添加剂X1、原料的水分X2、挥发份X3、固定碳X4、元素C、H、O、N、S含量 X5、压力X6以及终止温度X7，将这些因素作为输入量，实时对甲烷产出量Y（ml）进行预测。

利用RGRNN网络对样本集进行训练，其模型中有2个重要参数：光滑因子δ和旋转角度θ需要确定。基于同步优化的思想，特征选取和参数优化同时进行，因此染色体由3部分组成：特征子集、δ和θ。对染色体采用二进制编码，兼顾优化速度和效率，采用经典的“轮盘赌”方式进行选择操作，确定IGA算法的初始参数。选取粒子群规模为150，粒子数m=150，维数p=2，最大迭代次数k=1 000。基于IGA优化RGRNN网络的预测流程如图4所示。

基于IGA优化RGRNN网络的预测步骤如下：

步骤1将输入RGRNN网络的数据采用3层结构进行编码，对染色体进行初始化处理；

步骤2选取单个样本对其进行适应度数值计算，并由高到低进行排列；

步骤3对执行过程是否达到终止条件进行判断。若满足条件则退出程序，直接输出寻优结果，得到输出值；反之执行步骤4；

步骤4执行IGA算法，实施选择、交叉、变异；

步骤5在得到预测对应变量值的基础上，预测出更优染色体；

图4 IGA-RGRNN算法流程Fig.4 Flow chart of IGA-RGRNN algorithm

步骤6再次条件判断，若符合程序终止条件，则不再循环；反之执行步骤2。

改进遗传算法和广义旋转回归神经网络结合能够与煤制甲烷产量内在本质相契合，本文正是通过IGA算法来优化RGRNN网络的参数，从而得到了较好的结果。

3 实验与分析

选取产自内蒙古东部的褐煤作为实验原材料，其工业分析与元素分析如表1所示。由表1可知，褐煤的固定碳含量很低，挥发分和灰分含量很高。

将所选取的样品经过多次研磨与筛选直至小于100目（平均粒径为80 μm），取20 g作为试样。实验室自制热解反应装置如图5所示，完成低阶煤热解实验研究。

通过对数据采集和监测系统进行校正，使其处于最佳工作状态，获取实验煤制甲烷过程大量随机采样数据信息作为实验样本集，其中前572组数据作为训练集，后28组甲烷产量数据用来检验模型精度，具体数据如表2所示。

表1 实验煤样的工业分析与元素分析Tab.1 Proximate and elemental analyse of coal sample in the experiment %

图5 实验装置Fig.5 Experimental setup

表2 甲烷产量预测值与实测值对比Tab.2 Comparison of methane yield between predicted and real values

采用Matlab中遗传算法工具箱与网络工具箱对实验数据进行建模和校验，利用Matlab与表2中列出的数据信息对低阶煤生产甲烷产量预测模型进行实验仿真，得到甲烷产量的实测值与预测值对比，如图6所示。基于IGA-RGRNN模型预测收敛效果如图7所示。

由图7中可看出基于IGA-RGRNN模型预测收敛性能极强，可将样本误差降低到10-4，处于误差允许范围。选取两种实验模型进行对比，预测结果相对误差如图8所示。

图6 甲烷产量预测值与实测值对比Fig.6 Comparison of methane yield between predicted and real values

图7 IGA-RGRNN模型收敛效果Fig.7 Convergence effect using IGA-RGRNN model

图8 2种模型相对误差Fig.8 Relative errors of two models

2种模型相对误差如图8所示。图8表明采取GA-RGRNN模型进行甲烷产量预测所产生的相对误差最大值为4.88%，相对误差最小值为0.33%，相对误差平均值为2.12%，当采用IGA-RGRNN模型进行甲烷产量预测所产生的相对误差最大值为2.99%时，相对误差最小值为0.25%，相对误差平均值为1.76%。对两种预测方案进行对比分析可知，IGA-RGRNN模型精度较高，泛化能力较强，可更加准确地预测低阶煤制甲烷产量，在实际生产实践环境中，可作为低阶煤制甲烷产量监测手段之一。

4 结论

将数据融合方法和具有非线性处理能力与全局搜索能力的IGA-RGRNN算法有机结合，提高预测算法的精度以及泛化能力。将此算法应用于低阶煤制甲烷产量预测模型并加以实验测试，实验结果表明：

（1）利用数据融合与IGA-RGRNN相结合算法对低阶煤制甲烷产量具有良好的预测效果，且所产生的误差指标均在合理范围内；

（2）预测过程充分利用最新信息和综合考虑各相关因素，对甲烷产量预测模型及参数实时修正调整，最大限度地减小预测值与实际值的误差，提高预测准确率；

（3）基于IGA-RGRNN的低阶煤制甲烷产量预测模型与同类其他预测方法相比，收敛速度更快、预测精度更高，能有效地实现低阶煤制甲烷产量的动态预测。

[1]李明,高秋菊,郭璞,等.基于活性炭从煤层气中分离甲烷[J].煤炭学报,2014,38（8）：1418-1423.

Li Ming,Gao Qiuju,Guo Pu,et al.Separation methane from the coal-bed gas based on activated carbon[J].Journal of China Coal Society,2014,38（8）：1418-1423（in Chinese）.

[2]孟召平,张纪星,刘贺,等.考虑应力敏感性的煤层气井产能模型及应用分析[J]煤炭学报,2014,39（4）：593-599.

Meng Zhaoping,Zhang Jixing,Liu He,et al.Productivity model of CBM wells considering the stresssensitivity and its application analysis[J]Journal of China Coal Society, 2014,39（4）：593-599（in Chinese）.

[3]熊图.运用广义回归神经网络预测风电场功率[J].电网与清洁能源,2014,30（1）：109-113.

Xiong Tu.Wind power forecasting using generalized regression neural network[J].Power System and Clean Energy,2014,30（1）：109-113（in Chinese）.

[4]Kondo C,Kondo T,Ueno J.Three-dimensional medical image analysis of the heart by the revised GMDH-type neural network self-selecting optimum neural network architecture[J].Artificial Life and Robotics,2009,14（2）：123 -28.

[5]王利琴,董永峰,顾军华.改进的精英遗传算法及其在特征选择中的应用[J].计算机工程与设计,2014,35（5）：1792 -1796.

Wang Liqin,Dong Yongfeng,Gu Junhua.Improved elitist genetical algorithm for feature selection[J].Computer Engineer and Design,2014,35（5）1792-1796（in Chinese）.

[6]王军号,孟祥瑞.一种基于改进遗传RBF神经网络的传感器动态特性补偿算法[J].传感技术学报,2010,23（9）：1298-1302.

Wang Junhao,Meng Xiangrui.A dynamic compensation algorithm based on improved genetic-RBF neural network for sensor[J].Chinese Journal of Sensor and Actuators,2010, 23（9）：1298-1302（in Chinese）.

[7]崔慧,潘巨龙,闫丹丹.无线传感器网络中基于安全数据融合的恶意节点检测[J].传感技术学报,2014,27（5）：664 -669.

Cui Hui,Pan Julong,Yan Dandan.Malicious nodes detection algorithm based on secure data fusion in wireless sensor networks[J].Chinese Journal of Sensor and Actuators,2014,27（5）：664-669（in Chinese）.

[8]Kondo T,Ueno J,Takao S.Hybrid feedback GMDH-type neural network using principal component-regression analysis and its application to medical image diagnosis of lung cancer[J].ICIC Express Letters（ICIC-EX）,2014,8（4）：1-8.

[9]田中大,高宪文,李琨.基于EMD与LS-SVM的网络控制系统时延预测方法[J].电子学报,2014,42（5）：868-874.

Tian Zhongda,Gao Xianwen,Li Kun.Time-delay prediction method of networked control system based on EMD and LS-SVM[J].Acta Electronic Sinica,2014,42（5）：868-874（in Chinese）.

[10]Li Hongyan,Wang Hong,Gui Chao.Internet time-delay prediction based on auto regressive and neural network model[C]//2006 International Conference on Communications,Circuits and Systems,Guilin,China,IEEE Press, 2006：1758-1761.

[11]孙凌逸,黄先祥,蔡伟,等.基于神经网络的无线传感器网络数据融合算法[J].传感技术学报,2011,24（1）：122-127.

Sun Lingyi,Huang Xianxiang,Cai Wei,et al.Data aggregation of wireless sensor networks using artificial neural networks[J].Chinese Journal of Sensor and Actuators.,2011,24（1）：122-127（in Chinese）.

[12]郝鑫.广义回归神经网络和遗传算法研究及其在化工过程建模中的应用[D].杭州：浙江大学,2004.

Hao Xin.The study of general regression neural network and genetic algorithms and their application for chemical engineering[D].Hangzhou：Zhejiang University,2004（in Chinese）.