CN114134031A - 一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 - Google Patents
一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 Download PDFInfo
- Publication number
- CN114134031A CN114134031A CN202111421280.XA CN202111421280A CN114134031A CN 114134031 A CN114134031 A CN 114134031A CN 202111421280 A CN202111421280 A CN 202111421280A CN 114134031 A CN114134031 A CN 114134031A
- Authority
- CN
- China
- Prior art keywords
- temperature
- neural network
- anaerobic fermentation
- heat exchanger
- waste heat
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/12—Means for regulation, monitoring, measurement or control, e.g. flow regulation of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Wood Science & Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Zoology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Microbiology (AREA)
- Sustainable Development (AREA)
- Biotechnology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Genetics & Genomics (AREA)
- Thermal Sciences (AREA)
- Processing Of Solid Wastes (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
Abstract
本发明提出了一种基于RBF神经网络预测的厌氧发酵温度控制***及方法,该***主要包括烟气余热换热器、排渣余热换热器、乏汽余热换热器、加热循环换热器、温度监测器、恒温储水箱以及RBF神经网络控制器,该控制方法包括如下步骤:构建神经网络模型,获取厌氧发酵***的目标温度、实际温度以及温度控制参数样本,进行神经网络学习,在线辨识***控制规律,利用神经网络学习结果设置控制器,调节温度控制参数使得厌氧发酵实际温度与目标温度一致。本温度控制***利用电厂余热维持厌氧发酵温度,具有显著的节能效益,控制方法利用神经网络极强的非线性拟合能力,克服***的不确定性和时变性干扰,保证温度控制精度和准确性,具有较好的鲁棒性。
Description
技术领域
本发明属于生物质能利用领域,具体涉及一种基于RBF神经网络预测的厌氧发酵温度控制***及方法。
背景技术
厌氧发酵是指在适宜的条件下,通过微生物分解有机质,获取富含甲烷的沼气过程,是大规模利的生物质能利用方式之一,特别适用于禽畜粪便、湿秸秆等低热值生物质的高效利用。在厌氧发酵过程中,温度是影响沼气生产的关键因素之一,根据沼气池温度不同,厌氧发酵通常分为常温发酵(10~30℃)、中温发酵(30~40℃)和高温发酵(50~60℃)。此外,温度波动对于厌氧发酵效率也有较大影响,一般而言,厌氧发酵每天的温度波动应控制在±2℃以内,当温度波动达到±3℃时,就会抑制厌氧发酵速率,当温度变化达到±5℃时,则产气量会显著下降。在北方寒冷地区,气温较低且冬夏及昼夜温差较大,为了保持稳定、高效的产气量,需要采取适当的加热和保温措施,严格控制厌氧发酵温度,使其不受外界环境温度等因素的干扰。因此,合理选择和设计厌氧发酵加热及保温的模式及控制方法,是北方寒冷地区发展大中型沼气工程亟待解决的问题,也是沼气工程能否在寒冷地区应用及推广的关键所在。
目前寒冷地区厌氧发酵主要通过部分燃烧沼气进行加热以维持最佳厌氧发酵温度,其存在能耗高、降低沼气产量等缺点。此外,现有厌氧发酵温度控制***主要为传统的PID控制算法,由于厌氧发酵过程具有波动大、时变性强、外界干扰因素多等特点,使得PID算法容易出现超调幅度大、稳定时间长等不足,很难满足厌氧发酵对温度控制精度的要求。因此,亟需开发一种节能效益明显的寒冷地区厌氧发酵温度控制***及方法。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于RBF神经网络预测的厌氧发酵温度控制***及方法。
该***通过回收生物质直燃发电产生的低品位余热,将其用于厌氧发酵***的加热以及温度维持,利用RBF神经网络非线性拟合能力对***进行动态预测进而控制厌氧发酵温度,克服直燃发电和厌氧发酵***存在的不确定性、时变性和波动性,从而实现了厌氧发酵温度的快速、准确和有效控制。
为了实现上述目的,达到上述技术效果,本发明通过以下技术方案实现:一种基于RBF神经网络预测的厌氧发酵温度控制***,包括烟气余热换热器、排渣余热换热器、乏汽余热换热器、加热循环换热器、温度监测器、恒温储水箱以及神经网络控制器;所述烟气余热换热器与所述恒温储水箱相连,回收直燃发电***的烟气余热加热循环水送至恒温储水箱;所述排渣余热换热器与所述恒温储水箱相连,回收直燃发电***的排渣余热加热循环水送至恒温储水箱;所述乏汽余热换热器与所述恒温储水箱相连,回收直燃发电***的乏汽余热加热循环水送至恒温储水箱;所述加热循环换热器与所述恒温储水箱以及厌氧发酵***相连,该换热器从恒温储水箱输入热水供给厌氧发酵***,然后输回冷水至恒温储水箱;所述温度监测器时刻检测所述恒温储水箱、循环水以及厌氧发酵罐温度,并将结果输出给所述神经网络控制器,所述控制器根据设定目标温度与实际测量温度的差值,控制所述加热循环换热器输出,使得实际温度与目标温度到达一致。
优选地,前述一种基于RBF神经网络预测的厌氧发酵温度控制***,所述烟气余热换热器采用低温省煤器。
优选地,前述一种基于RBF神经网络预测的厌氧发酵温度控制***,所述排渣余热换热器采用夹套式滚筒冷渣器或膜式壁滚筒冷渣器之一的水冷式冷渣器。
优选地,前述一种基于RBF神经网络预测的厌氧发酵温度控制***,所述乏汽余热换热器采用过吸收式热泵余热回收技术或低真空余热回收技术之一进行余热回收。
本发明实施例还提供一种厌氧发酵温度控制***的控制方法,包括下列步骤:
步骤1、构建RBF神经网络;
步骤2、采样获得厌氧发酵***的目标温度、实际温度以及温度控制参数实时样本;
步骤3、利用上述样本进行神经网络学习,在线辨识***控制规律;
步骤4、利用神经网络学习结果,计算神经网络控制器的输出u,即加热循环换热器输出;
步骤5、调整温度控制参数输出,重复步骤2~5直至厌氧发酵***的实际温度与目标温度保持一致。
优选地,前述厌氧发酵温度控制***的控制方法,所述步骤1所述的RBF神经网络包括输入层、隐含层和输出层三层结构,其网络的数学表达式为:
式中:Xm表示输入向量,yj为输出参数,R为隐含层高斯核函数输出,ci为高斯核函数中心点,σ为扩展常数,w ij为隐含层与输出层的连接权值。
优选地,前述厌氧发酵温度控制***的控制方法,所述步骤2中的所述厌氧发酵目标温度为厌氧发酵菌种的最佳活性温度,实际温度为厌氧发酵罐的测量温度,温度控制参数为加热循环换热器的循环水流量。
优选地,前述厌氧发酵温度控制***的控制方法,所述步骤3中的所述在线辨识***控制规律包括如下步骤:
1)根据采样所得数据样本计算神经网络辨识输出;
式中,k为采样时间,Nf、Ng分别为RBF神经网络输出,Tm(k)为神经网络辨识输出,To(k)为***实际输出,n和m分别为输出和输入延迟阶数,且n≥m。
2)计算神经网络输出与实际输出误差E,按梯度下降法调整神经网络参数;
3)重复步骤1)和步骤2)直至误差最小或者迭代超过10次。
优选地,前述厌氧发酵温度控制***的控制方法,所述步骤4中的所述神经网络控制器的输出u通过如下方式计算:
式中,Nf、Ng分别为辨识出的RBF神经网络,Tr为目标输出。
本发明的有益效果为:
1、直燃发电***的排烟尾气、灰渣以及乏汽具有丰富的低品位余热,通过能量的梯级利用,设置余热回收***用于厌氧发酵***的供热,可以避免燃烧沼气或者其它燃料提供热量以维持厌氧发酵温度,具有显著的节能效益。
2、RBF神经网络能够逼近任意的非线性函数,可以处理***内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,特别适合具有时变特性的数据分析和处理,直燃发电***和厌氧发酵***具有干扰因素多、参数波动大、时变性强等特点,通过建立RBF神经网络对***进行预测控制,动态调整,大幅提高了控制***的响应速度和准确性。
附图说明
图1为本发明所述的一种厌氧发酵温度控制***的原理图;
图2为本发明所述的一种厌氧发酵温度控制方法的结构图;
图3为本发明所述的RBF神经网络的结构图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以某生物质直燃电厂和厌氧发酵***为例,使用本发明的***及方法回收电厂余热并用于厌氧发酵的加热及温度控制。
实施例1
一种基于RBF神经网络预测的厌氧发酵温度控制***,如图1所示,包括烟气余热换热器、排渣余热换热器、乏汽余热换热器、加热循环换热器、温度监测器、恒温储水箱以及神经网络控制器;所述烟气余热换热器与所述恒温储水箱相连,回收直燃发电***的烟气余热加热循环水送至恒温储水箱;所述排渣余热换热器与所述恒温储水箱相连,回收直燃发电***的排渣余热加热循环水送至恒温储水箱;所述乏汽余热换热器与所述恒温储水箱相连,回收直燃发电***的乏汽余热加热循环水送至恒温储水箱;所述加热循环换热器与所述恒温储水箱以及厌氧发酵***相连,该换热器从恒温储水箱输入热水供给厌氧发酵***,然后输回冷水至恒温储水箱;所述温度监测器检测所述恒温储水箱、循环水以及厌氧发酵罐温度,并将结果输出给所述神经网络控制器,所述控制器根据设定目标温度与实际测量温度的差值,控制所述加热循环换热器输出,使得实际温度与目标温度到达一致。
本优选实施例的烟气余热换热器采用低温省煤器,排渣余热换热器采用膜式壁滚筒冷渣器,乏汽余热换热器采用低真空余热回收技术。
如图2所示,本实施例还提供该厌氧发酵温度控制***的控制方法,包括下列步骤:
步骤1、构建RBF神经网络。如图3所示,RBF神经网络包括输入层、隐含层和输出层三层结构,其网络的数学表达式为:
式中:Xm表示输入向量,yj为输出参数,R为隐含层高斯核函数输出,ci为高斯核函数中心点,σ为扩展常数,w ij为隐含层与输出层的连接权值。
步骤2、采样获得厌氧发酵***目标温度、实际温度以及温度控制因素。根据厌氧发酵菌种设置其最佳活性温度为目标温度,厌氧发酵罐的实际温度通过设置在厌氧发酵罐内的热电偶实时测量,将加热循环换热器的循环水流量为温度控制变量。
步骤3、计算神经网络各层神经元的输入输出,对厌氧发酵***控制规律进行在线辨识学习,包括如下步骤:
1)根据前述采样所得数据样本,利用下述式2计算神经网络输出;
式中,k为采样时间,Nf、Ng分别为RBF神经网络输出,Tm(k)为神经网络辨识输出,To(k)为***实际输出。
2)利用下述公式3计算神经网络输出与实际输出误差E,采用梯度下降法调整前述神经网络参数,包括径向基函数的数据中心ci及扩展常数σ、输出节点的权值w ij;
3)重复步骤1)和步骤2)直至误差最小或者迭代超过10次。
步骤4、利用神经网络学习结果,按下述公式4计算神经网络控制器的输出u,即加热循环换热器的循环水流量;
式中,Nf、Ng分别为辨识出的RBF神经网络,Tr为目标输出。
步骤5、调整循环水流量,重复步骤2-4直至厌氧发酵的实际温度与目标温度相等。
经以上步骤操作,该方法控制厌氧发酵温度波动不超过±0.5℃,调节时间不超过8min。
实施例2
一种基于RBF神经网络预测的厌氧发酵温度控制***,如图1所示,包括烟气余热换热器、排渣余热换热器、乏汽余热换热器、加热循环换热器、温度监测器、恒温储水箱以及神经网络控制器;所述烟气余热换热器与所述恒温储水箱相连,回收直燃发电***的烟气余热加热循环水送至恒温储水箱;所述排渣余热换热器与所述恒温储水箱相连,回收直燃发电***的排渣余热加热循环水送至恒温储水箱;所述乏汽余热换热器与所述恒温储水箱相连,回收直燃发电***的乏汽余热加热循环水送至恒温储水箱;所述加热循环换热器与所述恒温储水箱以及厌氧发酵***相连,该换热器从恒温储水箱输入热水供给厌氧发酵***,然后输回冷水至恒温储水箱;所述温度监测器检测所述恒温储水箱、循环水以及厌氧发酵罐温度,并将结果输出给所述神经网络控制器,所述控制器根据设定目标温度与实际测量温度的差值,控制所述加热循环换热器输出,使得实际温度与目标温度到达一致。
本优选实施例的烟气余热换热器采用低温省煤器,排渣余热换热器采用膜式壁滚筒冷渣器,乏汽余热换热器采用低真空余热回收技术。
如图2所示,本实施例还提供该厌氧发酵温度控制***的控制方法,包括下列步骤:
步骤1、构建RBF神经网络。如图3所示,RBF神经网络包括输入层、隐含层和输出层三层结构,其网络的数学表达式为:
式中:Xm表示输入向量,yj为输出参数,R为隐含层高斯核函数输出,ci为高斯核函数中心点,σ为扩展常数,w ij为隐含层与输出层的连接权值。
步骤2、采样获得厌氧发酵***目标温度、实际温度以及温度控制因素。根据厌氧发酵菌种设置其最佳活性温度为目标温度,厌氧发酵罐的实际温度通过设置在厌氧发酵罐内的热电偶实时测量,将加热循环换热器的循环水流量为温度控制变量。
步骤3、计算神经网络各层神经元的输入输出,对厌氧发酵***控制规律进行在线辨识学习,包括如下步骤:
1)根据前述采样所得数据样本,利用下述式2计算神经网络输出;
式中,k为采样时间,Nf、Ng分别为RBF神经网络输出,Tm(k)为神经网络辨识输出,To(k)为***实际输出。
2)利用下述公式3计算神经网络输出与实际输出误差E,采用梯度下降法调整前述神经网络参数,包括径向基函数的数据中心ci及扩展常数σ、输出节点的权值w ij;
3)重复步骤1)和步骤2)直至误差最小或者迭代超过10次。
步骤4、利用神经网络学习结果,按下述公式4计算神经网络控制器的输出u,即加热循环换热器的循环水流量;
式中,Nf、Ng分别为辨识出的RBF神经网络,Tr为目标输出。
步骤5、调整循环水流量,重复步骤2-4直至厌氧发酵的实际温度与目标温度相等。
经以上步骤操作,该方法控制厌氧发酵温度波动不超过±0.4℃,调节时间不超过10min。
Claims (9)
1.一种基于RBF神经网络预测的厌氧发酵温度控制***,其特征在于,包括烟气余热换热器、排渣余热换热器、乏汽余热换热器、加热循环换热器、温度监测器、恒温储水箱以及RBF神经网络控制器;所述烟气余热换热器与所述恒温储水箱相连,回收直燃发电***的烟气余热加热循环水送至恒温储水箱;所述排渣余热换热器与所述恒温储水箱相连,回收直燃发电***的排渣余热加热循环水送至恒温储水箱;所述乏汽余热换热器与所述恒温储水箱相连,回收直燃发电***的乏汽余热加热循环水送至恒温储水箱;所述加热循环换热器与所述恒温储水箱以及厌氧发酵***相连,所述换热器从恒温储水箱输入热水供给厌氧发酵***,然后输回冷水至恒温储水箱;所述温度监测器检测所述恒温储水箱、循环水以及厌氧发酵罐温度,并将温度测量结果输出给所述RBF神经网络控制器,所述控制器根据设定目标温度与实际测量温度的差值,控制所述加热循环换热器输出,使得实际温度与目标温度到达一致。
2.根据权利要求1所述的一种基于RBF神经网络预测的厌氧发酵温度控制***,其特征在于,所述烟气余热换热器采用低温省煤器。
3.根据权利要求1所述的一种基于RBF神经网络预测的厌氧发酵温度控制***,其特征在于,所述排渣余热换热器采用夹套式滚筒冷渣器或膜式壁滚筒冷渣器之一的水冷式冷渣器。
4.根据权利要求1所述的一种基于RBF神经网络预测的厌氧发酵温度控制***,其特征在于,所述乏汽余热换热器采用过吸收式热泵余热回收技术或低真空余热回收技术之一进行余热回收。
5.一种利用权利要求1所述的***实现厌氧发酵温度控制的方法,其特征在于,包括下列步骤:
步骤1、构建RBF神经网络;
步骤2、采样获得厌氧发酵***的目标温度、实际温度以及温度控制参数实时样本;
步骤3、利用上述样本进行神经网络学习,在线辨识***控制规律;
步骤4、利用神经网络学习结果,计算神经网络控制器的输出u,即加热循环换热器输出;
步骤5、调整温度控制参数输出,重复步骤2~5直至厌氧发酵***的实际温度与目标温度保持一致。
7.根据权利要求5所述的一种厌氧发酵温度控制方法,其特征在于,所述步骤2中的所述厌氧发酵目标温度为厌氧发酵菌种的最佳活性温度,实际温度为厌氧发酵罐的测量温度,温度控制参数为加热循环换热器的循环水流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421280.XA CN114134031A (zh) | 2021-11-26 | 2021-11-26 | 一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111421280.XA CN114134031A (zh) | 2021-11-26 | 2021-11-26 | 一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114134031A true CN114134031A (zh) | 2022-03-04 |
Family
ID=80387951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111421280.XA Pending CN114134031A (zh) | 2021-11-26 | 2021-11-26 | 一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114134031A (zh) |
-
2021
- 2021-11-26 CN CN202111421280.XA patent/CN114134031A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kana et al. | Modeling and optimization of biogas production on saw dust and other co-substrates using artificial neural network and genetic algorithm | |
CN114134017A (zh) | 一种基于bp神经网络预测的厌氧发酵温度控制***及方法 | |
CN106842955B (zh) | 带烟气量扰动抑制的燃烧后co2捕集***预测控制方法 | |
Chen et al. | Energy, exergy, and economic analysis of a centralized solar and biogas hybrid heating system for rural areas | |
Han et al. | Novel long short-term memory neural network considering virtual data generation for production prediction and energy structure optimization of ethylene production processes | |
CN110935567A (zh) | 一种火电机组干式电除尘器优化控制方法及*** | |
Asrul et al. | A review of advanced optimization strategies for fermentative biohydrogen production processes | |
CN114492041A (zh) | 一种养殖场沼气热电联供***优化方法及*** | |
Wang et al. | NOx emission prediction of coal-fired power units under uncertain classification of operating conditions | |
CN114153140A (zh) | 一种基于Elman神经网络自适应PID厌氧发酵温度控制***及方法 | |
CN114134031A (zh) | 一种基于rbf神经网络预测的厌氧发酵温度控制***及方法 | |
Shokrkar et al. | Model‐based evaluation of continuous bioethanol production plant | |
Huang et al. | Fermentative hydrogen production using a real-time fuzzy controller | |
CN114958395B (zh) | 一种生物质炭化炉余热利用方法及其利用*** | |
Nassef et al. | Optimal operating parameter determination and modeling to enhance methane production from macroalgae | |
Zhang et al. | Furnace temperature prediction using optimized kernel extreme learning machine | |
CN113341716B (zh) | 一种基于人工智能的大型燃煤电站co2捕集***优化调度方法 | |
CN112734451B (zh) | 一种基于非合作博弈的农业大棚多能源***和优化方法 | |
Lin et al. | Process design for very-high-gravity ethanol fermentation | |
da Costa et al. | Modeling, control and optimization of ethanol fermentation process | |
CN114912363A (zh) | 基于bp-lstm模型的解脂耶氏酵母发酵软测量方法 | |
Li et al. | Two-stage Anaerobic Digestion Process Optimal Control Study based on Extremum-seeking Control and Self-optimizing Control | |
Komarysta et al. | OPTIMIZING BIOGAS PRODUCTION USING ARTIFICIAL NEURAL NETWORK. | |
Filali et al. | Optimization of the interval approach for Chlorella vulgaris biomass estimation | |
Qing et al. | Prediction model of the NOx emissions based on long short-time memory neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |