今日頭條
官方微信
官方抖音
案例頻道
油庫油氣濃度預(yù)測是油庫監(jiān)控系統(tǒng)的重要組成部分，是油庫安全生產(chǎn)管理必不可少的重要環(huán)節(jié)。油庫油氣濃度預(yù)測精度的高低，不僅直接影響著油庫的安全和作業(yè)效率，而且對(duì)提高油庫安全保障能力有著重要的意義。當(dāng)前油庫油氣濃度主要采用現(xiàn)場測量和遠(yuǎn)程監(jiān)控方法，這種方法只能對(duì)油氣濃度進(jìn)行實(shí)時(shí)測量，不能對(duì)未來的油氣濃度發(fā)展趨勢(shì)進(jìn)行預(yù)測，這同以預(yù)防為主的安全管理方法有一定的違背。我國在這方面進(jìn)行了長期的研究，但準(zhǔn)確預(yù)報(bào)困難。因此，只有正確認(rèn)識(shí)油氣擴(kuò)散的作用機(jī)制和演進(jìn)規(guī)律，分析其演變趨勢(shì)，實(shí)施較為準(zhǔn)確的油氣預(yù)報(bào)和預(yù)警措施，才能較大限度減小安全隱患和經(jīng)濟(jì)損失。因此，對(duì)油庫油氣的快速、準(zhǔn)確的預(yù)報(bào)是多年來國內(nèi)外專家十分關(guān)注的課題。本文采用免疫神經(jīng)網(wǎng)絡(luò)模型對(duì)井下油氣濃度進(jìn)行預(yù)測，以提前了解油氣濃度的大小及發(fā)展趨勢(shì)，采取預(yù)防措施，以此提高油庫的安全。
1 基于免疫算法的神經(jīng)網(wǎng)絡(luò)模型
1.1 BP網(wǎng)絡(luò)概述
在眾多的神經(jīng)網(wǎng)絡(luò)中，多層前饋網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）具有很強(qiáng)的生物背景，它與函數(shù)逼近理論稍有差異，它具有多輸入多輸出特性，容易用于多變量非線性函數(shù)的逼近，由于它是一個(gè)非線性網(wǎng)絡(luò)，其學(xué)習(xí)算法是局部最優(yōu)的，且訓(xùn)練時(shí)需要用到全局信息。總的來說，BP網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是：
(1) 只要有足夠多的隱層和隱節(jié)點(diǎn)，BP網(wǎng)絡(luò)可以逼近任意非線性映射關(guān)系；
(2) BP網(wǎng)絡(luò)的學(xué)習(xí)算法是屬于全局逼近的方法，因而具有很好的泛化能力；
(3) BP網(wǎng)絡(luò)的輸入輸出之間的關(guān)聯(lián)信息分布地存儲(chǔ)于連接權(quán)中。由于連接權(quán)的個(gè)數(shù)很多，個(gè)別神經(jīng)元的損壞只對(duì)輸入輸出有很小的影響，因而具有很好的容錯(cuò)性。
BP算法的主要缺點(diǎn)是：
(1) 學(xué)習(xí)效率低，收斂速度慢。BP算法是Robbie和Monro提出的隨機(jī)逼近統(tǒng)計(jì)方法的一個(gè)應(yīng)用，在權(quán)值空間中“瞬時(shí)估計(jì)”誤差曲面的梯度。因此BP算法傾向于緩慢收斂，Saarinen的實(shí)驗(yàn)研究表明[4]，BP算法的局部收斂速度是線性的。
(2) 易限于局部極小狀態(tài)。從數(shù)學(xué)角度分析，梯度下降思想的BP算法不可避免的存在局部極小問題，另外由于實(shí)際問題的求解空間往往極其復(fù)雜，維數(shù)較高，存在更多的局部極小點(diǎn)，使得陷入局部極小點(diǎn)的可能性大為增加。
(3) 網(wǎng)絡(luò)的泛化及適應(yīng)能力差。BP算法的誤差平方和最小化指標(biāo)，只能降低樣本的絕對(duì)誤差量，而造成神經(jīng)元學(xué)習(xí)收斂的不均衡性，一旦樣本存在“非主導(dǎo)模式”，即該模式對(duì)誤差的貢獻(xiàn)較小，僅依靠誤差指標(biāo)函數(shù)則難以進(jìn)行良好的訓(xùn)練，致使網(wǎng)絡(luò)對(duì)該模式缺乏良好的響應(yīng)，影響網(wǎng)絡(luò)泛化性能。
1.2 免疫算法原理
神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)目的是通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值W，使目標(biāo)代價(jià)函數(shù)E趨于最小。由于E是復(fù)雜的非線性函數(shù)，采用BP算法與基于BP的導(dǎo)數(shù)型優(yōu)化方法均存在局部極小問題，因此目前越來越多的研究者采用遺傳計(jì)算來設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)權(quán)值，并已成功應(yīng)用于網(wǎng)絡(luò)權(quán)值學(xué)習(xí)[5]。遺傳算法（Genetic Algorithm，GA）是根據(jù)生物中遺傳與進(jìn)化的原理，仿效基因、染色體等物質(zhì)表達(dá)所研究的問題，遵循達(dá)爾文“物競天擇，適者生存”原則，使隨機(jī)生成的初始解通過復(fù)制、交換、突變等遺傳操作不斷迭代優(yōu)化，逐步逼近最優(yōu)解。遺傳算法是一種利用自然選擇和進(jìn)化思想在高維空間中尋優(yōu)的方法，不依賴于導(dǎo)數(shù)信息，并行度高，善于處理解空間為多峰值地形的全局優(yōu)化問題。但遺傳算法存在諸如當(dāng)初始解群分布不均勻時(shí)易出現(xiàn)末成熟收斂，陷于局部最優(yōu)和個(gè)體自適應(yīng)于環(huán)境的能力弱等缺點(diǎn)。
生物體的免疫系統(tǒng)能夠以其有限的資源，有效應(yīng)付數(shù)量龐大的近乎無限的不同種類的病毒的侵害，這一特性引起了人們特別的關(guān)注。免疫算法（Immune Algorithm，IA）[6]正是這一思路的產(chǎn)物，是受生物免疫系統(tǒng)的啟示而設(shè)計(jì)出來的一種具有對(duì)多峰值函數(shù)進(jìn)行多峰值搜索及全局尋優(yōu)能力的新型算法。算法的主要思路是：將網(wǎng)絡(luò)權(quán)重視為生物免疫系統(tǒng)的淋巴細(xì)胞，通過對(duì)其基因交叉、變異的進(jìn)化操作和基于抗體濃度的調(diào)節(jié)操作，使基因不斷優(yōu)化，從而找到最佳抗體，即為滿足最小誤差函數(shù)E的權(quán)值向量。與進(jìn)化計(jì)算相比，免疫算法具有保持解群分布多樣性的優(yōu)點(diǎn)，較好地克服了進(jìn)化計(jì)算在初始化解群分布不均勻時(shí)易出現(xiàn)未成熟收斂，陷于局部最優(yōu)和收斂速度慢的缺點(diǎn)。
基于上述情況，本文提出基于免疫過程的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的免疫遺傳算法（Immune Genetic Algorithm，IGA）。主要過程見圖1所示。
圖1 免疫遺傳算法框圖
1.3 基于免疫遺傳的神經(jīng)網(wǎng)絡(luò)訓(xùn)練
(1) 抗體編碼方式
編碼操作適用于將問題空間映射為算法空間，有二進(jìn)制碼和實(shí)數(shù)編碼等方式。前者簡明通用，易于進(jìn)行遺傳操作，但不具備正則性，并破壞了解空間的拓?fù)溥B續(xù)性。實(shí)數(shù)編碼為自然正則碼，適于高精度運(yùn)算，神經(jīng)網(wǎng)絡(luò)權(quán)值及結(jié)構(gòu)編碼多用后者，本文依然沿用實(shí)數(shù)編碼方法。
圖2 實(shí)數(shù)編碼圖
典型的三層前饋網(wǎng)絡(luò)n-h-m結(jié)構(gòu)，網(wǎng)絡(luò)節(jié)點(diǎn)依次編號(hào)為1, 2,…, n（輸入層），n+1,…, n+h（隱含層），n+h+1,…, n+h+m （輸出層）；連接權(quán)wij表示由節(jié)點(diǎn)i到節(jié)點(diǎn)j的輸出權(quán)；閾值bj為前一層對(duì)節(jié)點(diǎn)j的輸出閾值，然后依節(jié)點(diǎn)i順序串聯(lián)權(quán)值與閾值，構(gòu)成如圖2的抗體串。圖2中，αj與αbj分別為網(wǎng)絡(luò)節(jié)點(diǎn)和閾值節(jié)點(diǎn)存在標(biāo)識(shí)，用于控制網(wǎng)絡(luò)結(jié)構(gòu)。當(dāng)αj或
αbj取值為1時(shí)該節(jié)點(diǎn)存在；否則該節(jié)點(diǎn)被刪減。
(2) 適應(yīng)度計(jì)算
設(shè)抗體Pi對(duì)應(yīng)的網(wǎng)絡(luò)的能量函數(shù)為Ei，則適應(yīng)度函數(shù)F(i)可直接定義為Ei的函數(shù)。本文設(shè)定: 
其中，const為大于零的常數(shù)，其目的是避免分母為0的溢出中斷，本文取const = 0.01。對(duì)本文考慮的單隱層前饋網(wǎng)絡(luò)，
式中，Tp,k和Yp,k分別為第ｐ個(gè)訓(xùn)練樣本的第k個(gè)輸出節(jié)點(diǎn)的期望輸出和實(shí)際輸出。
(3) 遺傳操作
對(duì)選擇后的抗體群，進(jìn)行遺傳操作。
① 交叉。這里采納兩點(diǎn)交叉方式；
② 高斯變異。首先將抗體解碼為相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)所有權(quán)值組合的向量wi按下式
進(jìn)行變換，重新組成新的抗體。式中，N (0, 1)為高斯算子。
(4) 基于濃度的群體更新
群體更新策略結(jié)合免疫機(jī)制中抗體間基于濃度的相互抑制作用，引入濃度因子調(diào)整個(gè)體的選擇幾率Ps(i)，總的目標(biāo)是抑制濃度過高抗體，同時(shí)保證適應(yīng)度高的個(gè)體被選中的概率大。因?yàn)榭贵w的濃度過高，則在進(jìn)化過程中容易陷入未成熟收斂。具體方法為：
式中，α，β為0～1間的可調(diào)參數(shù)；MaxFitness為抗體的最大適應(yīng)度；C為抗體的濃度，可定義為：
其中，η為0～1之間的系數(shù)，用于控制濃度。可以看出：對(duì)高濃度的t個(gè)抗體，其中適應(yīng)度較高的抗體獲得的得分修正反而較少；若抗體的濃度不高，則上式也可保證高適應(yīng)度的抗體得到的得分修正相對(duì)也高。
2 基于神經(jīng)網(wǎng)絡(luò)模型的油氣濃度智能預(yù)報(bào)
我國油庫眾多，由于它受多種自然因素的影響，因而決定了它的特殊性和復(fù)雜性。特別是機(jī)場油庫的監(jiān)控任務(wù)十分艱巨，必須引起足夠的重視。油庫油氣濃度的預(yù)報(bào)研究包括兩個(gè)方面：
一是油氣濃度的趨勢(shì)預(yù)報(bào)，即根據(jù)油氣濃度的歷史數(shù)據(jù)來預(yù)測其未來一段時(shí)間的變化規(guī)律；
二是油氣擴(kuò)散的機(jī)理研究。油氣的擴(kuò)散過程取決于環(huán)境的溫度、濕度、通風(fēng)條件等自然因素，因此，油氣濃度預(yù)報(bào)模型必須能夠反映油氣擴(kuò)散的自然規(guī)律。
2.1 智能預(yù)報(bào)原理
神經(jīng)網(wǎng)絡(luò)的主要特征是自學(xué)習(xí)，通過對(duì)樣本模式的學(xué)習(xí)，模擬信息之間的內(nèi)在機(jī)制。神經(jīng)網(wǎng)絡(luò)對(duì)油氣濃度擴(kuò)散機(jī)制進(jìn)行識(shí)別的實(shí)質(zhì)，是通過選擇適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)模型，逼近實(shí)際系統(tǒng)的動(dòng)態(tài)過程。若以某一時(shí)段的油氣濃度要素作為網(wǎng)絡(luò)的輸入，以未來一段時(shí)間的相應(yīng)油氣濃度要素作為網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)模型通過對(duì)歷史油氣資料的學(xué)習(xí)，就能對(duì)蘊(yùn)含在該時(shí)段的油氣擴(kuò)散規(guī)律進(jìn)行映射。
設(shè)網(wǎng)絡(luò)輸入X=[X1，X2，…，Xn]T表示上個(gè)時(shí)段的油氣條件，輸出Y=[Y1，Y2，…，Yn]T表示下一個(gè)時(shí)段的油氣條件，期望輸出Yd=[Yd1，Yd2，…，Ydn]T表示下一個(gè)時(shí)段實(shí)測的油氣情況，油氣擴(kuò)散機(jī)制可表示為從輸入矢量X(t)∈Rn到輸出矢量Y(t)∈Rn的非線性映射Ne，即
誤差指標(biāo)為
2.2 油氣濃度模型的建立
在油庫油氣濃度智能預(yù)報(bào)模型中，將上個(gè)時(shí)段的油氣參數(shù)作為網(wǎng)絡(luò)的輸入，將下個(gè)時(shí)段作為網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)的預(yù)見期T為24小時(shí)，以歷史油氣資料作為樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)識(shí)別出該時(shí)段的油氣擴(kuò)散規(guī)律，并將該規(guī)律貯存在網(wǎng)絡(luò)權(quán)重中。如果已知上個(gè)時(shí)段的油氣參數(shù)，完成訓(xùn)練的網(wǎng)絡(luò)就會(huì)預(yù)報(bào)出下個(gè)時(shí)段的油氣參數(shù)，油氣在整個(gè)時(shí)段的傳播時(shí)間即為網(wǎng)絡(luò)的預(yù)見期。某油庫油氣濃度智能預(yù)報(bào)模型的結(jié)構(gòu)示意圖如圖3所示。
圖3 智能預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模型
圖3中，t為上個(gè)時(shí)段的起報(bào)時(shí)刻，t+T 是網(wǎng)絡(luò)的預(yù)見期。對(duì)于油庫油氣濃度預(yù)報(bào)的建模思路是：構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用油氣資料進(jìn)行模型訓(xùn)練，當(dāng)訓(xùn)練精度達(dá)到要求時(shí)，神經(jīng)網(wǎng)絡(luò)模型就能在此精度下映射油氣擴(kuò)散機(jī)制。
3 油氣濃度模型的免疫訓(xùn)練
訓(xùn)練樣本的預(yù)處理：在網(wǎng)絡(luò)的輸入項(xiàng)中，由于不同時(shí)段的參數(shù)相差較大，為了保證各因素處于同等地位，對(duì)輸入輸出項(xiàng)進(jìn)行數(shù)據(jù)歸一化預(yù)處理。
主要參數(shù)的取值如下：
網(wǎng)絡(luò)結(jié)構(gòu)：5－10－1；
權(quán)值初始范圍：[-3，3]；
訓(xùn)練集： 2003年2月16～19日油氣濃度；
測試集： 2003年2月20～22日油氣濃度；
群體規(guī)模：N = 200；
迭代次數(shù)：epochs = 700；
控制參數(shù)：α = β = 0.5；η = 0.8；
遺傳參數(shù)：交叉概率Pc = 0.1；變異概率Pm = 0.05。
應(yīng)用上述參數(shù)對(duì)訓(xùn)練集進(jìn)行免疫遺傳學(xué)習(xí)，并用測試集進(jìn)行泛化測試，MSE變化趨勢(shì)如圖4所示。
圖4 免疫遺傳算法的訓(xùn)練/測試誤差曲線
4 預(yù)報(bào)結(jié)果及分析
圖5為2月16～18日油氣濃度預(yù)報(bào)結(jié)果與實(shí)際結(jié)果比較，圖6為2月19～22日油氣濃度預(yù)報(bào)結(jié)果與實(shí)際結(jié)果比較。
圖5 2003年2月16～18日油氣濃度預(yù)報(bào)結(jié)果
圖6 2003年2月19～22日油氣濃度預(yù)報(bào)結(jié)果
預(yù)報(bào)結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的油氣濃度智能預(yù)報(bào)模型能夠較好地反映油氣擴(kuò)散運(yùn)動(dòng)機(jī)理。其中，最大預(yù)報(bào)誤差為6.86%;，最小預(yù)報(bào)誤差為2.36%，平均誤差為4.61%。預(yù)報(bào)精度較高，已達(dá)到實(shí)際應(yīng)用的精度
從預(yù)報(bào)結(jié)果來看，網(wǎng)絡(luò)模型對(duì)油氣濃度的預(yù)報(bào)精度較高，但有時(shí)誤差較大，這主要是網(wǎng)絡(luò)的訓(xùn)練問題，訓(xùn)練樣本越多，代表性越強(qiáng)，則精度越高。在實(shí)際應(yīng)用中還發(fā)現(xiàn)，對(duì)于不同季節(jié)、不同的水文地質(zhì)環(huán)境，油氣擴(kuò)散過程會(huì)表現(xiàn)出不同變化規(guī)律，這主要是受自然因素的影響。因此，網(wǎng)絡(luò)模型應(yīng)具有在線學(xué)習(xí)功能。
5 結(jié)論
檢驗(yàn)結(jié)果表明，該智能預(yù)報(bào)模型，能夠較好地識(shí)別油氣擴(kuò)散的演進(jìn)規(guī)律，對(duì)不同季節(jié)、不同水文地質(zhì)環(huán)境的油氣濃度都能進(jìn)行合理預(yù)報(bào)。所建模型精度的擬合值與預(yù)測值都與實(shí)際數(shù)據(jù)吻合得較好，各測點(diǎn)的誤差值均在許可的范圍內(nèi)。通過該預(yù)測方法可提前了解油氣濃度的大小及發(fā)展趨勢(shì)，及時(shí)采取預(yù)防措施，對(duì)保障油庫的安全具有重要的現(xiàn)實(shí)意義，為油庫油氣濃度預(yù)測提供了一種新方法。
北京市公安局海淀分局備案號(hào)：11010802023656號(hào)