基于支持向量機的沼氣中CH4濃度預測

摘要：組建了沼氣檢測的實(shí)驗系統，采用國家標準混合氣獲取大量的濃度標定數據，分析了目前廣泛應用的甲烷濃度預測算法及影響預測結果的因素，討論了支持向量機在CH4濃度預測中的應用，在此基礎上研究了將多通道探測器的電壓輸出及環(huán)境溫度共同作為支持向量機的輸入，實(shí)現CH4濃度的預測。將該方法與線(xiàn)性插值法、多項式回歸法、神經(jīng)網(wǎng)絡(luò )法等多種方法進(jìn)行比較，預測結果的平均絕對誤差減小了0.44％～1.99％。初步試驗結果表明該方法在CH4濃度檢測中具有一定的應用前景。
關(guān)鍵詞：沼氣；CH4；濃度預測；SVM

0 引言
沼氣是一種優(yōu)質(zhì)、高效、綠色、環(huán)保的燃料。沼氣由50％～80％甲烷(CH4)、20％～40％二氧化碳(CO2)、0％～5％氮氣(N2)、0．1％～3％硫化氫(H2S)等氣體組成。當較多的沼氣泄露在生活環(huán)境中時(shí)，有可能令人窒息；沼氣使用中，CH4濃度在5％～15％之間時(shí)，會(huì )有爆炸的危險；CH4濃度低于50％，就不能正常燃燒。因此，對沼氣中CH4濃度預測進(jìn)行研究，顯得非常必要。
基于不同工作原理，現有的CH4濃度檢測方法主要有：奧式氣體檢測法、催化燃燒法、紅外光譜檢測法。目前沼氣中CH4濃度預測較多地采用紅外多波長(cháng)法。但該方法也會(huì )帶來(lái)新的問(wèn)題。例如：當檢測沼氣中CH4濃度時(shí)，沼氣中較多的CO2會(huì )對CH4通道和參考通道的輸出帶來(lái)影響，從而影響CH4的預測精度，所以本文討論利用數據處理的方法提高CH1濃度預測精度。
目前，常用的CH4濃度預測算法有線(xiàn)性插值法、多元回歸法、神經(jīng)網(wǎng)絡(luò )法(Neural Network，NN)。其中，線(xiàn)性插值法與多元回歸法為傳統算法，精度低；神經(jīng)網(wǎng)絡(luò )需要大量的樣本才能擬合出較好的模型，且容易陷入局部極小值點(diǎn)。本文所探討的支持向量機(Support Vector Machine，SVM)專(zhuān)門(mén)解決小樣本問(wèn)題，以結構風(fēng)險最小化為原則尋找全局最優(yōu)解。
在預測沼氣中CH4濃度時(shí)，本文首次嘗試把溫度作為影響探測器輸出的重要因素，引入溫箱控制探測器的環(huán)境溫度，以獲取不同溫度下的693個(gè)樣本，把溫度和探測器的輸出作為SVM的輸入，建立CH4預測模型，得到理想的預測精度。

1 支持向量機簡(jiǎn)介
SVM是一種機器學(xué)習方法，根據結構風(fēng)險最小化原則，大大提高了學(xué)習機的泛化能力，它將優(yōu)化問(wèn)題轉化為求解一個(gè)凸二次規劃的問(wèn)題，二次規劃所得的解是惟一的且為全局最優(yōu)解，這樣就不存在一般神經(jīng)網(wǎng)絡(luò )的局部極值問(wèn)題。
回歸型支持向量機(SVR)是支持向量機在回歸學(xué)習中的應用，其基本思想是：對于給定的訓練樣本點(diǎn){(x1，y1)，(x2，y2)，…，(xn，yn)}通過(guò)SVR訓練回歸出一個(gè)函數f(x)，使由該函數求出的每個(gè)輸入樣本的輸出值和輸入樣本對應的目標值相差不超過(guò)誤差e，同時(shí)使回歸出的函數盡量平滑，能克服傳統的線(xiàn)性插值法、多元回歸法預測精度低的缺點(diǎn)，解決高濃度CO2對CH4通道和參考通道的輸出帶來(lái)的影響，且較NN有更好的推廣能力。另外，溫度對氣體探測器的輸出有一定的影響，本文研究了將溫度作為模型的輸入之一，同時(shí)將多通道探測器的電壓輸出作為SVM的輸入，實(shí)現CH4濃度預測。

2 實(shí)驗數據的獲取
2．1 系統結構與紅外多波長(cháng)探測簡(jiǎn)介
硬件系統結構如圖1所示。鋼瓶里的高壓標準氣CH4經(jīng)過(guò)減壓閥減壓后，通過(guò)氣體管道流向配氣箱里的流量計1，配氣箱經(jīng)自帶的電腦軟件進(jìn)一步控制并計量流量計1內氣體的流速，流出配氣箱以后，與經(jīng)過(guò)流量計2，3的CO2，N2(稀釋作用，非異核分子，對CH4通道影響小)進(jìn)行定比混合，再進(jìn)入溫箱，溫箱里的沼氣檢測電路板包括多通道探測器(CH4，CO2)，參考端)和相應的信號處理電路，氣體經(jīng)過(guò)檢測氣室以后，排到通風(fēng)櫥。