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境溫度共同作為支持向量機的輸入，實現CH4濃度的預測。將該方法與線性插值法、多項式回歸法、神經網絡法等多種方法進行比較，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。
關鍵詞：沼氣；CH4；濃度預測；SVM

0 引言
沼氣是一種優質、高效、綠色、環保的燃料。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境中時，有可能令人窒息；沼氣使用中，CH4濃度在5％～15％之間時，會有爆炸的危險；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法。但該方法也會帶來新的問題。例如：當檢測沼氣中CH4濃度時，沼氣中較多的CO2會對CH4通道和參考通道的輸出帶來影響，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濃度預測算法有線性插值法、多元回歸法、神經網絡法(Neural Network，NN)。其中，線性插值法與多元回歸法為傳統算法，精度低；神經網絡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。本文所探討的支持向量機(Support Vector Machine，SVM)專門解決小樣本問題，以結構風險最小化為原則尋找全局最優解。
在預測沼氣中CH4濃度時，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境溫度，以獲取不同溫度下的693個樣本，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 支持向量機簡介
SVM是一種機器學習方法，根據結構風險最小化原則，大大提高了學習機的泛化能力，它將優化問題轉化為求解一個凸二次規劃的問題，二次規劃所得的解是惟一的且為全局最優解，這樣就不存在一般神經網絡的局部極值問題。
回歸型支持向量機(SVR)是支持向量機在回歸學習中的應用，其基本思想是：對于給定的訓練樣本點{(x1，y1)，(x2，y2)，…，(xn，yn)}通過SVR訓練回歸出一個函數f(x)，使由該函數求出的每個輸入樣本的輸出值和輸入樣本對應的目標值相差不超過誤差e，同時使回歸出的函數盡量平滑，能克服傳統的線性插值法、多元回歸法預測精度低的缺點，解決高濃度CO2對CH4通道和參考通道的輸出帶來的影響，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，同時將多通道探測器的電壓輸出作為SVM的輸入，實現CH4濃度預測。

2 實驗數據的獲取
2．1 系統結構與紅外多波長探測簡介
硬件系統結構如圖1所示。鋼瓶里的高壓標準氣CH4經過減壓閥減壓后，通過氣體管道流向配氣箱里的流量計1，配氣箱經自帶的電腦軟件進一步控制并計量流量計1內氣體的流速，流出配氣箱以后，與經過流量計2，3的CO2，N2(稀釋作用，非異核分子，對CH4通道影響小)進行定比混合，再進入溫箱，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，氣體經過檢測氣室以后，排到通風櫥。