使用气相指标和分类算法预测负载灵活运行的无氧消化稳定性

科学领域:

• 生物技术和生物工程 生物技术和生物工程
• 环境科学 环境科学
• 能源科学 能源科学

背景情况:

• 生物气厂的灵活运行是稳定电网的关键,并增加可再生能源的整合.
• 无氧消化 (AD) 过程容易受到冲击负载的不稳定性影响,影响效率和可靠性.
• 传统的监测方法通常需要耗时的基质分析,限制实时过程控制.

研究的目的:

• 使用气相参数识别无氧消化过程不稳定的早期预警指标.
• 评估机器学习分类器在检测过程干扰方面的有效性.
• 为负载灵活的生物气厂开发一种快速,经济高效的监测方法.

主要方法:

• 模拟六个实验室级无氧过器的负载灵活运行.
• 高时间分辨率监测生物气组成 (CH4,CO2,H2) 和体积.
• 机器学习分类器的应用 (支持矢量机,随机森林,多层感知器) 用于状态分类.

主要成果:

• 气体质量参数的变化增加可靠地先于无氧消化过程中的过程干扰.
• 机器学习模型在区分稳定和不稳定的AD状态时达到高达80%的准确性.
• 气相监测在检测不稳定性方面被证明是有效的,而不需要基质分析.

结论:

• 气体质量的变化作为无氧消化不稳定性的强有力的早期预警指标.
• 基于机器学习的气体参数分析为传统监测方法提供了快速,经济高效的替代方案.
• 这种方法支持生物气厂的稳定和灵活运行,以加强电网集成.