PDF《基于数据融合 IGA鄄RGRNN 低阶煤制甲烷 产量预测模型》

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 图1煤直接制甲烷反应 Fig.1 Reaction of direct production of methane from coal 煤CH4 H2O 再生 CaO CaCO3 和残炭 煤直接制甲烷 反应器 CaO 再生反应器 荣德生,等:基于数据融合 IGA鄄RGRNN 低阶煤制甲烷产量预测模型

179 总第

75 期电源学报为基础,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鄄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. (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IGA鄄RGRNN 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鄄RGRNN 的输入变量与输出变量. (3)样本序列进行 IGA鄄RGRNN 训练. (4)误差校正. 根据参考模型与 IGA鄄RGRNN 预 测模型进行差值计算,对系统误差加以校正.

2 基于 IGA鄄RGRNN 预测模型 将信息融合技术与 IGA鄄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 regressi鄄on 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鄄12] . 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 X'

t Y Y '

= cos θ -sin θ sin θ cos s θ xt s Y (5) 旋转坐标下的回归方程为 Y 赞'

(X'

)= n i=1 移Yie - D 2δ

2 s n i=1 移e - D 2δ

2 s (6) 标量函数为 D'

2 i = p j=1,j≠t 移(xj-xt j)2 +(x'

t-xi'

t )2 = p j=1,j≠t 移(xj-xt j)2 +[(xt-xi t)cos θ-(Y-Yi )sin θ]2 (7) 将式(7)代入式(6),整理可得网络输出,即Y赞'

(X'

)=

1 cos θ n i=1 移Yi e - ( ri Y+Zi +Di) n i=1 移e - ( ri Y+Zi +Di) -xttan θ (8) 图2IGA鄄RGRNN 多传感器预测模型 Fig.2 Multi鄄sensor prediction model based on IGA鄄RGRNN 图3GRNN 网络结构示意 Fig.3 Schematic of GRNN structure + - 温度 TR 压力 PV 湿度 HE 成分 CO 合成规则 选取特征值 优化 IGA-RGRNN 温度 传感器 压力 传感器 湿度 传感器 成分 传感器 … … 决策规划 参考模型 Y 赞(X'

) 预测误差2i2ix1 x2 xi xm y1 ym S1 Sj Sm Pm P1 P2 Pi … … … … … … 输出层 求和层 模式层 输入层 …