基于机器学习和隐私优化技术的高效沼气产量预测策略

《Renewable Energy》：An Efficient Prediction Strategy for Biogas Yields Based on Machine Learning and Private Optimization Technique

　　

摘要
优化厌氧消化 (AD) 系统的操作条件对于最大化沼气产量至关重要；然而，由于反应器特异性差异和过程的非线性特征，确定最佳参数设置仍然具有挑战性。本文提出了一种基于私有优化的沼气预测 (POBP) 策略，该策略结合了朴素贝叶斯 (NB) 分类器与改进的灰狼优化器 (MGWO)，以确定实验室规模沼气反应器的适宜操作条件。在所提出的框架中，NB 被用作概率预测器来估计沼气产量类别，而 MGWO 通过增强的猎物定位机制执行参数优化。该方法使用由实验测量和优化生成的样本构建的反应器特异性数据集进行评估。结果表明，所提出的方法提高了反应器性能，最佳解决方案改进高达 62.72%，10 次迭代后平均改进约 33%。该框架不依赖直接回归，而是利用基于朴素贝叶斯的值预测器，通过分类产量区间并将预测区间映射到代表性数值来估计沼气产量，在测试数据集上实现了 96.1% 的分类准确率。这些发现表明，所提出的 POBP 策略对于所研究的实验室规模反应器是有效的，并为在有限数据条件下实现反应器特异性优化的可行性提供了初步证据。

引言
全球能源需求持续增加，仍有很大一部分依赖化石燃料和核能等不可再生能源 (NRE) [1]。这种依赖引发了对可持续性、资源枯竭和环境影响的担忧，从而推动向可再生能源 (RE) 替代方案的过渡 [2]。在各种可再生能源中，生物能因其能够将有机废物转化为可用能源，同时解决废物管理挑战的能力而日益受到关注 [3]。

厌氧消化 (AD) 是一种成熟的生物过程，在无氧条件下将有机材料转化为沼气 [4]。除了能源生产外，AD 还有助于减少温室气体排放，并管理动物粪便、食物废物和废水固体等废物流 [5]。尽管具有这些优势，沼气生产的效率高度依赖于反应器的操作条件，包括温度、pH 值、混合比 (MR) 和水力停留时间 (HRT) [6]。这些参数表现出复杂、非线性的相互作用，使得它们的优化成为一项具有挑战性的任务 [7]。

最近的研究探讨了利用机器学习 (ML) 技术进行沼气产量预测。例如，基于数据驱动模型的预测框架已证明能够从反应器参数估计沼气生产 [8]。人工神经网络已被用于捕捉操作变量与气体输出之间的非线性关系 [9]，而支持向量回归已被用于在有限数据条件下提高预测准确性 [10]。与此同时，元启发式优化技术已被应用于调整 AD 操作参数 [11]。然而，这些方法通常将预测和优化视为独立的问题，或者依赖在异构数据集上训练的通用模型 [12]。

现有工作的一个关键局限性是依赖通用优化 (GO) 技术，该技术利用从不同反应器和操作条件下收集的数据训练的模型 [13]。这种方法可能无法捕捉反应器的特异性特征，导致次优的参数设置。此外，反应器特异性数据的稀缺进一步 complicates 了准确和可靠预测模型的开发 [7]。尽管提出了结合 ML 和优化的混合方法 [14]，但其有效性仍受到缺乏对特定反应器环境适应性的限制 [15]。

为了克服这些局限性，本研究采用私有优化 (PO) 视角，其中优化过程是利用本地生成的数据针对特定反应器定制的 [16]。与 GO 方法不同，PO 专注于从反应器特异性行为中学习，从而实现更准确和上下文感知的优化。在本工作中，提出了一种基于私有优化的沼气预测 (POBP) 框架，该框架将概率预测模型与元启发式优化相结合，以确定 AD 系统的适宜操作条件 [17]。概率预测是通过使用朴素贝叶斯 (NB) 算法作为间接值预测器来实现的。它首先识别最可能的产量范围，然后将该范围转换为数值估计。与传统的回归技术相比，这种方法在可用数据集相对较小或包含测量噪声时，特别适用于沼气产量预测。NB 减少了模型复杂性，提高了鲁棒性，并最大限度地降低了过拟合的风险。

本研究的主要目标是开发和评估一个数据驱动框架，通过在有限数据条件下联合执行沼气产量预测和操作参数优化，来优化厌氧消化 (AD) 过程。为此，该研究采用了由数据挖掘和人工智能技术支持的私有优化 (PO) 视角，旨在确定关键 AD 操作参数，即温度 (T)、pH 值、混合比 (MR) 和水力停留时间 (HRT) 的最佳值。因此，引入了一种称为基于私有优化的沼气预测 (POBP) 的新策略。所提出的方法集成了用于概率沼气产量预测的朴素贝叶斯 (NB) 分类器与用于参数优化的改进灰狼优化器 (MGWO)，旨在提高反应器性能的同时保持计算效率。该框架在实验室规模反应器上进行了验证，为未来扩展到更复杂和大型系统奠定了基础。本研究的创新性并非源于发明全新的机器学习或优化算法，而是源于开发了一个反应器特异性优化框架，该框架在有限数据条件下将概率沼气产量预测与优化相结合。所提出的 POBP 的图形摘要见补充部分 S1。本文的主要贡献可总结如下几点：

(i) 据我们所知，这项工作是最早正式化并应用一种称为私有优化 (PO) 的反应器特异性、数据驱动优化框架于沼气生产系统的研究之一。该贡献是方法论层面的，而非引入新的数学优化理论。
(ii) 对传统 GWO 进行了修改，以改善迭代过程中的猎物定位，从而在更少的迭代次数下更准确地收敛于最优解。
(iii) 引入反应器特异性数据增强以解决有限实验观测的挑战。
(iv) 开发 POBP 框架，该框架结合了使用朴素贝叶斯的概率沼气产量预测和使用改进灰狼优化器的优化。
(v) 本文还提出了一种基于 NB 作为准确概率分类器来预测沼气产量的新技术。

所提出的 POBP 已使用简单的反应器进行实验应用。实验结果表明，所提出的 PO 技术成功地为所研究的反应器识别了改进的操作条件，因为它优于所有依赖 GO 技术的其他优化技术。论文的其余部分组织如下；第 2 节介绍了 PO 的概念，第 3 节说明了相关工作，第 4 节解释了所提出的方法，第 5 节说明了结果，第 6 节描绘了论文结论，而第 7 节说明了未来发展方向。

章节摘要
通用优化与私有优化
对于不同的优化问题，选择将采用的最合适的优化模型非常重要。在本节中，将引入一种新的优化程序分类，即：通用优化与私有优化。通常，考虑一组相同类型实例（项目），可以由集合表示。在 AD 参数优化领域，每个实例代表一个具有特定特征的 AD 反应器，并可以有最佳操作。

相关工作
最近关于厌氧消化 (AD) 优化的研究可 broadly 归类为三个主要方向：(i) 统计和实验设计方法，(ii) 基于机器学习的预测模型，以及 (iii) 元启发式优化和混合框架。

方法
本文介绍的工作的主要目标是在给定时间段 P（以天为单位）内，通过优化反应器工作条件以及一些操作参数，最大化沼气反应器的沼气产量。引入了一种基于私有优化的沼气预测 (POBP)，它采用了 PO 技术。它还使用改进的 GWO 实例以及 NB 分类器来执行沼气产量预测。在接下来的小节中，将更详细地介绍关于...

结果
在本节中，将测试所提出的基于私有优化的沼气预测 (POBP) 策略。将使用一个简单的实验室反应器来应用和测试所提出的 POBP 策略。将考虑不同的场景，以评估 POBP 的沼气产量预测准确性以及 POBP 的性能改进。接下来的小节将更详细地说明所遵循的实验程序。

未来工作
未来的研究应专注于提高所提出的 POBP 框架的可扩展性、适应性和鲁棒性。报告的结果仅对所研究的实验室规模反应器和操作条件有效。此外，可替代优化技术和机器学习模型以进一步增强性能。未来的工作将专注于利用从多个在不同环境和操作条件下运行的 AD 系统收集的大数据集验证该框架。

结论
本文介绍了一种基于私有优化的沼气预测 (POBP) 框架，利用反应器特异性数据优化关键 AD 操作参数 (T, pH, MR, HRT)。该方法结合了用于优化的改进灰狼优化器 (MGWO) 和用于产量预测的朴素贝叶斯 (NB) 分类器。实验结果表明性能显著提升，改进高达 68.9%，平均增强 35%，预测准确率为 96.1%。该框架并非引入...

CRediT 作者贡献声明
Shaimaa Hussien: 方法论，形式分析，数据整理，概念化。Mahmoud Abd El-Hady: 项目管理，方法论。Atallah El-shenawy: 写作 – 初稿，验证。Ahmed Saleh: 方法论，形式分析。

未引用参考文献
[18], [19], [20], [21], [22], [23], [34], [35], [36], [37], [38], [39]。

数据可用性
当前研究期间使用和/或分析的数据集可根据合理请求从通讯作者处获得。

利益冲突声明
作者之间没有利益冲突。

Ahmed I. Saleh|Atallah El-shenawy|Mahmoud Abd El-Hady|Shaimaa A. Hussien
曼苏拉大学工程学院计算机工程与系统系，埃及曼苏拉