编辑推荐：
为解决机器学习和深度学习模型在厌氧消化（AD）甲烷产量预测中数据预处理和超参数（HPs）选择难题，研究人员开展优化算法研究。结果显示不同模型和数据集需匹配优化策略，meta - tuning 可提升复杂场景模型精度，有助于灵活沼气运营增收。
在能源领域，风力和太阳能等可再生能源受天气影响，供应波动较大。而利用厌氧消化（AD）过程生产沼气，并转化为电能，有望实现灵活供能，满足需求侧管理。不过，在实际应用中，AD 过程中的微生物反应复杂，为实现灵活的甲烷生产预测和控制，需要合适的模型。传统的机理模型，像 ADM1，虽能描述过程，但参数众多、离线测量昂贵，还需手动调整，对传感器故障敏感，不适合大规模工业沼气厂。
此时，机器学习（ML）和深度学习（DL）模型崭露头角。它们能利用有限测量数据动态预测甲烷产量，且更稳健，只需自动调整。然而，数据预处理技术和超参数（HPs）选择对模型在工业规模的应用极为关键。但目前，HPs 常靠手动设定，缺乏依据，网格搜索也存在问题，而且数据预处理和 HPs 优化的结合常被忽视，通用的自动机器学习管道又因缺乏领域知识难以达到最佳效果。
为了解决这些问题，来自国外的研究人员开展了相关研究。他们旨在寻找能缩短优化过程且不牺牲模型性能的最佳优化算法，并引入 meta - tuning 策略确定管道优化器的调整参数（TP）。研究成果发表在《Bioresource Technology》上。
研究人员在应用的优化管道中测试了两个不同的数据集和两个预测模型，包括贝叶斯岭回归（BRR）和以长短期记忆（LSTM）及门控循环单元（GRU）形式的循环神经网络（RNNs）。同时，用九种不同的元启发式优化器对数据准备管道和预测模型的各个参数进行优化。
在研究结果部分，通过详细评估误差指标发现，不同模型和数据集对优化策略的响应不同。在简单情况下，比如稳态数据集，50 次优化步骤重复三次通常就能达到最佳结果，此时 HPSO（带时变加速的粒子群优化）表现最佳，均方根标准误差（RMSSE）为 62.8%。而且，经过 2000 次迭代优化的遗传算法（GA）表现更优，RMSSE 达到 61.2% 。然而，对于复杂场景，如动态数据集上的 RNNs 模型，扩展优化过程能提高精度。在测试的算法中，贝叶斯搜索在未经 meta - tuning 时表现不错，但经过 meta - tuning 的 GA 表现更胜一筹（基线为 94.4%，meta - tuned GA 为 99.2% ）。meta - tuning 优化了调整参数的选择，提高了模型精度。差分进化和带时变加速的粒子群优化在稳态情况下也表现良好。
研究结论表明，优化策略的选择对预测 AD 中甲烷产量的 ML 和 DL 模型性能影响显著。对于稳态数据集，较少的优化步骤就能满足需求；而动态数据集和复杂模型则需要扩展优化或 meta - tuning。这一研究成果意义重大，它强调了优化策略与数据集和模型复杂性相匹配的重要性，meta - tuning 在复杂情况下优势明显。更高的预测精度能增加灵活沼气运营的收益，为沼气产业的发展提供了有力的技术支持，有助于推动可再生能源领域的进步，让沼气在能源供应中发挥更大的作用。
