一种基于Elman神经网络自适应PID厌氧发酵温度控制系统及方法与流程

一种基于elman神经网络自适应pid厌氧发酵温度控制系统及方法
技术领域
1.本发明属于生物质能利用领域，具体涉及一种基于elman神经网络自适应pid厌氧发酵温度控制系统及方法。


背景技术：

2.厌氧发酵是指在适宜的条件下，通过微生物的分解有机质，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。
3.目前沼气工程增温技术主要包括电热膜联合保温层的增温技术、燃池加热技术、化石能源热水锅炉加热技术、太阳能加热增温技术、沼气锅炉加热技术、地源热泵技术以及沼气发电余热利用加热技术等。这些技术存在一些不足，例如电热膜联合保温层的增温技术需要消耗高品位电能，能耗较高，节能性差；燃池加热技术通过燃烧锯末、秸秆等低品位燃料进行加热，但燃烧控制较差，管理运行较为复杂；太阳能的能量密度低，昼夜变化大，受天气影响较大，难以保证厌氧发酵系统所需温度。综上所述，有必要开发更高效节能的厌氧发酵加热及温度控制系统及方法。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提供一种基于elman神经网络自适应pid厌氧发酵温度控制系统及方法。
5.该系统通过回收生物质直燃发电产生的低品位余热，将其用于厌氧发酵系统的加热以及温度维持，通过elman神经网网络自适应pid算法对厌氧发酵温度进行控制，既利用了神经网络算法具有极佳的自适应和非线性调节能力，克服了直燃发电和厌氧发酵系统具有的波动大及时变性强对系统的干扰，同时又能发挥传统pid算法具有的稳定性强和鲁棒性好的特点，实现了厌氧发酵温度的快速、准确和稳定控制。
6.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elman神经网络自适应pid厌氧发酵温度控制系统，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-pid控制器；所
述烟气余热换热器与所述恒温储水箱相连，回收直燃发电系统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，回收直燃发电系统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，回收直燃发电系统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系统相连，该换热器从恒温储水箱输入热水供给厌氧发酵系统，然后输回冷水至恒温储水箱；所述温度监测器与厌氧发酵系统、恒温储水箱及神经网络-pid控制器相连，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-pid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。
7.优选地，前述一种基于elman神经网络自适应pid厌氧发酵温度控制系统，所述烟气余热换热器采用低温省煤器。
8.优选地，前述一种基于elman神经网络自适应pid厌氧发酵温度控制系统，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。
9.优选地，前述一种基于elman神经网络自适应pid厌氧发酵温度控制系统，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。
10.本发明实施例还提供一种厌氧发酵温度控制方法，包括下列步骤：
11.步骤1、构建elman神经网络；
12.步骤2、采样获得厌氧发酵系统目标温度、实际温度以及温度影响因素；
13.步骤3、计算神经网络各层神经元的输入输出，输出层单元设置为神经网络-pid控制器的比例、积分和微分调节参数k
p
、ki、kd；
14.步骤4、计算神经网络-pid控制器的输出u，即加热循环换热器输出；
15.步骤5、进行神经网络学习，调整神经网络参数，实现pid参数的自适应调整；
16.步骤6、重复步骤2-5直至满足预设条件。
17.优选地，前述厌氧发酵温度控制系统的控制方法，所述步骤1所述的elman神经网络包括输入层、隐含层、承接层和输出层四层结构，其网络的数学表达式为：
[0018][0019]
式中：k表示时刻，y为输出节点单元向量，x为隐含层节点单元向量，xc为承接层节点单元向量，ω1为输入层与隐含层的连接权值，ω2为承接层与隐含层的连接权值，ω3为隐含层与输出层的连接权值，g为输出层激励函数，f为隐含层激励函数。
[0020]
优选地，前述厌氧发酵温度控制系统的控制方法，所述步骤2中的所述厌氧发酵目标温度为设置的厌氧发酵最佳温度，实际温度为厌氧发酵罐测量温度，温度的影响因素包括恒温储水箱温度、环境温度。
[0021]
优选地，前述厌氧发酵温度控制系统的控制方法，所述步骤4中的所述神经网络-pid控制器输出u采用下述位置式pid算法(式2)或增量式pid算法(式3)之一：
[0022]
[0023]
u(k)＝u(k-1)+k
p
[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
ꢀꢀꢀ
(3)
[0024]
e(k)＝tr(k)-to(k)
ꢀꢀꢀ
(4)
[0025]
式中，k
p
、ki、kd分别为神经网络-pid控制器比例、积分和微分控制参数，k为时间，tr(k)为目标温度，to(k)为实际温度。
[0026]
优选地，前述厌氧发酵温度控制系统的控制方法，所述步骤6中的所述预设条件为实际温度与目标温度相等。
[0027]
本发明的有益效果为：
[0028]
1、直燃发电系统的排烟尾气、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，设置余热回收系统用于厌氧发酵系统的供热，可以避免燃烧沼气或者其它方式提供热量以维持厌氧发酵温度，具有显著的节能效益。
[0029]
2、pid控制算法是目前应用最为广泛的控制方式，基础理论扎实，利用pid算法进行厌氧发酵控制，确保了控制系统工作的稳定性和鲁棒性。
[0030]
3、elman神经网络是一种典型局部回归网络，除了具有普通神经网络的非线性拟合和自适应学习能力，同时具有局部记忆和反馈功能，特别适合具有时变特性的数据分析和处理，直燃发电系统和厌氧发酵系统具有波动大、时变性强等特点，通过elman神经网络对pid控制器参数进行学习训练，自适应调整，大幅提高了控制系统的响应性、准确性等。
附图说明
[0031]
图1为本发明提供的一种厌氧发酵温度控制系统的原理图；
[0032]
图2为本发明提供的一种厌氧发酵温度控制方法的结构图；
[0033]
图3为本发明所述elman神经网络的结构图。
具体实施方式
[0034]
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。
[0035]
本实施例以某生物质直燃电厂和厌氧发酵系统为例，使用本发明的系统及方法回收电厂余热并用于厌氧发酵的加热及温度控制。
[0036]
实施例1
[0037]
一种基于elman神经网络自适应pid厌氧发酵温度控制系统，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-pid控制器；所述烟气余热换热器与所述恒温储水箱相连，回收直燃发电系统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，回收直燃发电系统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，回收直燃发电系统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系统相连，该换热器从恒温储水箱输入热水供给厌氧发酵系统，然后输回冷水至恒温储水箱；所述加热循环换热器与所述恒温储水箱以及厌氧发酵系统相连，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-pid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。
[0038]
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。
[0039]
如图2所示，本实施例还提供该厌氧发酵温度控制方法，包括下列步骤：
[0040]
步骤1、构建elman神经网络。如图3所示，elman神经网络包括输入层、隐含层、承接层和输出层四层结构，其网络的数学表达式为：
[0041][0042]
式中：k表示时刻，y为输出节点单元向量，x为隐含层节点单元向量，xc为承接层节点单元向量，ω1为输入层与隐含层的连接权值，ω2为承接层与隐含层的连接权值，ω3为隐含层与输出层的连接权值，g为输出层激励函数，f为隐含层激励函数。
[0043]
步骤2、采样获得厌氧发酵系统目标温度、实际温度以及温度影响因素。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，温度影响因素包括恒温储水箱的温度，循环水温度，环境温度。
[0044]
步骤3、计算神经网络各层神经元的输入输出，输出层单元设置为pid控制器的比例、积分和微分调节参数k
p
、ki、kd。神经网络的输入参数设置为厌氧发酵目标温度、厌氧发酵实际温度、循环水温度、储水箱温度、环境温度。
[0045]
步骤4、计算神经网络控制器的输出u，即加热循环换热器输出。输出u通过如下的增量式pid算法进行计算。
[0046]
u(k)＝u(k-1)+k
p
[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
ꢀꢀꢀ
(2)
[0047]
e(k)＝tr(k)-to(k)
ꢀꢀꢀ
(3)
[0048]
式中，k
p
、ki、kd分别为神经网络-pid控制器比例、积分和微分控制参数，k为时间，tr(k)为目标温度，to(k)为实际温度。
[0049]
步骤5、进行神经网络学习，调整神经网络参数，实现pid参数的自适应调整，作为较优的学习训练方式，通过带动量的梯度下降法进行神经网络学习。
[0050]
步骤6、重复步骤2-5直至厌氧发酵的实际温度与目标温度相等。
[0051]
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10min。
[0052]
实施例2
[0053]
一种基于elman神经网络自适应pid厌氧发酵温度控制系统，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-pid控制器；所述烟气余热换热器与所述恒温储水箱相连，回收直燃发电系统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，回收直燃发电系统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，回收直燃发电系统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系统相连，该换热器从恒温储水箱输入热水供给厌氧发酵系统，然后输回冷水至恒温储水箱；所述加热循环换热器与所述恒温储水箱以及厌氧发酵系统相连，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-pid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。
[0054]
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夹套式滚筒冷渣器，乏汽余热换热器采用吸收式热泵余热回收技术。
[0055]
如图2所示，本实施例还提供利用该厌氧发酵温度控制系统实现温度控制的方法，包括下列步骤：
[0056]
步骤1、构建elman神经网络。如图3所示，elman神经网络包括输入层、隐含层、承接层和输出层四层结构，其网络的数学表达式为：
[0057][0058]
式中：k表示时刻，y为输出节点单元向量，x为隐含层节点单元向量，xc为承接层节点单元向量，ω1为输入层与隐含层的连接权值，ω2为承接层与隐含层的连接权值，ω3为隐含层与输出层的连接权值，g为输出层激励函数，f为隐含层激励函数。
[0059]
步骤2、采样获得厌氧发酵系统目标温度、实际温度以及温度影响因素。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，温度影响因素包括恒温储水箱的温度，循环水温度，环境温度。
[0060]
步骤3、计算神经网络各层神经元的输入输出，输出层单元设置为pid控制器的比例、积分和微分调节参数k
p
、ki、kd。神经网络的输入参数设置为厌氧发酵目标温度、厌氧发酵实际温度、厌氧发酵实际温度与目标温度的差值、循环水温度、储水箱温度、环境温度。
[0061]
步骤4、计算神经网络-pid控制器的输出u，即加热循环换热器输出。输出u通过如下的位置式pid算法进行计算。
[0062][0063]
e(k)＝tr(k)-to(k)
ꢀꢀꢀ
(3)
[0064]
式中，k
p
、ki、kd分别为神经网络-pid控制器比例、积分和微分控制参数，k为时间，tr(k)为目标温度，to(k)为实际温度。
[0065]
步骤5、进行神经网络学习，调整神经网络参数，实现pid参数的自适应调整，作为较优的学习训练方式，通过带动量的梯度下降法进行神经网络学习。
[0066]
步骤6、重复步骤2-5直至厌氧发酵的实际温度与目标温度相等。
[0067]
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12min。