Agriculture and forestry crop residues represent more than half of the world's residual biomass; these residues turn into synthesis gas (syngas) and are used for power generation. Including Syngas Gensets into hybrid renewable microgrids for electricity generation is an interesting alternative, especially for rural communities where forest and agricultural waste are abundant. However, energy demand is not constant throughout the day. The variations in the energy demand provoke changes in both gasification plant efficiency and biomass consumption. This paper presents an Artificial Neural Network (ANN) based model hybridized with a Particle Swarm Optimization (PSO) algorithm for a Biomass Gasification Plant (BGP) that allows estimating the amount of biomass needed to produce the required syngas to meet the energy demand. The proposed model is compared with two traditional models of ANNs: Feed Forward Back Propagation (FF-BP) and Cascade Forward Propagation (CF-P). ANNs are trained in MATLAB software using a set of historical real data from a BGP located in the Distributed Energy Resources Laboratory of the Universitat Politècnica de València in Spain. The model performance is validated using the Mean Squared Error (MSE) and linear regression analysis. The results show that the proposed model performs 23.2% better in terms of MSE than de other models. The tunning parameters of the optimal PSO algorithm for this application were found. Finally, the model was validated to predict the necessary biomass and syngas to cover the energy demand.

农业和林业作物的残留量占世界残留生物量的一半以上。这些残留物转化为合成气（合成气）并用于发电。将合成气发电机组纳入混合可再生微电网用于发电是一种有趣的选择，特别是对于森林和农业废弃物丰富的农村社区而言。但是，全天能源需求不是恒定的。能源需求的变化引发了气化厂效率和生物质消耗的变化。本文提出了一种基于人工神经网络（ANN）的模型，该模型与粒子群优化（PSO）算法混合用于生物质气化厂（BGP），该模型可以估算产生所需合成气以满足能源需求所需的生物量。将该模型与两种传统的人工神经网络模型进行了比较：前馈反向传播（FF-BP）和级联正向传播（CF-P）。在MATLAB软件中使用来自BGP的一组历史真实数据对MATLAB中的ANN进行了训练，该BGP位于西班牙瓦伦西亚大学的分布式能源实验室。使用均方误差（MSE）和线性回归分析来验证模型性能。结果表明，提出的模型在MSE方面比其他模型好23.2％。找到了针对该应用的最佳PSO算法的优化参数。最后，对模型进行验证以预测必要的生物量和合成气，以满足能源需求。在MATLAB软件中使用来自BGP的一组历史真实数据对MATLAB中的ANN进行了训练，该BGP位于西班牙瓦伦西亚大学的分布式能源实验室。使用均方误差（MSE）和线性回归分析来验证模型性能。结果表明，提出的模型在MSE方面比其他模型好23.2％。找到了针对该应用的最佳PSO算法的优化参数。最后，对模型进行验证以预测必要的生物质和合成气，以满足能源需求。在MATLAB软件中使用来自BGP的一组历史真实数据对MATLAB中的ANN进行了训练，该BGP位于西班牙瓦伦西亚大学的分布式能源实验室。使用均方误差（MSE）和线性回归分析来验证模型性能。结果表明，提出的模型在MSE方面比其他模型好23.2％。找到了针对该应用的最佳PSO算法的优化参数。最后，对模型进行验证以预测必要的生物量和合成气，以满足能源需求。使用均方误差（MSE）和线性回归分析来验证模型性能。结果表明，提出的模型在MSE方面比其他模型好23.2％。找到了针对该应用的最佳PSO算法的优化参数。最后，对模型进行验证以预测必要的生物量和合成气，以满足能源需求。使用均方误差（MSE）和线性回归分析来验证模型性能。结果表明，提出的模型在MSE方面比其他模型好23.2％。找到了针对该应用的最佳PSO算法的优化参数。最后，对模型进行验证以预测必要的生物量和合成气，以满足能源需求。