今日頭條
官方微信
官方抖音
案例頻道
油庫油氣濃度預測是油庫監(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，而且對提高油庫安全保障能力有著重要的意義。當前油庫油氣濃度主要采用現(xiàn)場測量和遠程監(jiān)控方法，這種方法只能對油氣濃度進行實時測量，不能對未來的油氣濃度發(fā)展趨勢進行預測，這同以預防為主的安全管理方法有一定的違背。我國在這方面進行了長期的研究，但準確預報困難。因此，只有正確認識油氣擴散的作用機制和演進規(guī)律，分析其演變趨勢，實施較為準確的油氣預報和預警措施，才能較大限度減小安全隱患和經(jīng)濟損失。因此，對油庫油氣的快速、準確的預報是多年來國內(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)模型對井下油氣濃度進行預測，以提前了解油氣濃度的大小及發(fā)展趨勢，采取預防措施，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，由于它是一個非線性網(wǎng)絡(luò)，其學習算法是局部最優(yōu)的，且訓練時需要用到全局信息。總的來說，BP網(wǎng)絡(luò)的主要優(yōu)點是：
(1) 只要有足夠多的隱層和隱節(jié)點，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)的學習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)信息分布地存儲于連接權(quán)中。由于連接權(quán)的個數(shù)很多，個別神經(jīng)元的損壞只對輸入輸出有很小的影響，因而具有很好的容錯性。
BP算法的主要缺點是：
(1) 學習效率低，收斂速度慢。BP算法是Robbie和Monro提出的隨機逼近統(tǒng)計方法的一個應(yīng)用，在權(quán)值空間中“瞬時估計”誤差曲面的梯度。因此BP算法傾向于緩慢收斂，Saarinen的實驗研究表明[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，另外由于實際問題的求解空間往往極其復雜，維數(shù)較高，存在更多的局部極小點，使得陷入局部極小點的可能性大為增加。
(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，只能降低樣本的絕對誤差量，而造成神經(jīng)元學習收斂的不均衡性，一旦樣本存在“非主導模式”，即該模式對誤差的貢獻較小，僅依靠誤差指標函數(shù)則難以進行良好的訓練，致使網(wǎng)絡(luò)對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)的學習目的是通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值W，使目標代價函數(shù)E趨于最小。由于E是復雜的非線性函數(shù)，采用BP算法與基于BP的導數(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算來設(shè)計神經(jīng)網(wǎng)絡(luò)權(quán)值，并已成功應(yīng)用于網(wǎng)絡(luò)權(quán)值學習[5]。遺傳算法（Genetic Algorithm，GA）是根據(jù)生物中遺傳與進化的原理，仿效基因、染色體等物質(zhì)表達所研究的問題，遵循達爾文“物競天擇，適者生存”原則，使隨機生成的初始解通過復制、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化思想在高維空間中尋優(yōu)的方法，不依賴于導數(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初始解群分布不均勻時易出現(xiàn)末成熟收斂，陷于局部最優(yōu)和個體自適應(yīng)于環(huán)境的能力弱等缺點。
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)計出來的一種具有對多峰值函數(shù)進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)的淋巴細胞，通過對其基因交叉、變異的進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。與進化計算相比，免疫算法具有保持解群分布多樣性的優(yōu)點，較好地克服了進化計算在初始化解群分布不均勻時易出現(xiàn)未成熟收斂，陷于局部最優(yōu)和收斂速度慢的缺點。
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，有二進制碼和實數(shù)編碼等方式。前者簡明通用，易于進行遺傳操作，但不具備正則性，并破壞了解空間的拓撲連續(xù)性。實數(shù)編碼為自然正則碼，適于高精度運算，神經(jīng)網(wǎng)絡(luò)權(quán)值及結(jié)構(gòu)編碼多用后者，本文依然沿用實數(shù)編碼方法。
圖2 實數(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)點依次編號為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i到節(jié)點j的輸出權(quán)；閾值bj為前一層對節(jié)點j的輸出閾值，然后依節(jié)點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)點和閾值節(jié)點存在標識，用于控制網(wǎng)絡(luò)結(jié)構(gòu)。當αj或
αbj取值為1時該節(jié)點存在；否則該節(jié)點被刪減。
(2) 適應(yīng)度計算
設(shè)抗體Pi對應(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個訓練樣本的第k個輸出節(jié)點的期望輸出和實際輸出。
(3) 遺傳操作
對選擇后的抗體群，進行遺傳操作。
① 交叉。這里采納兩點交叉方式；
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)，對所有權(quán)值組合的向量wi按下式
進行變換，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)整個體的選擇幾率Ps(i)，總的目標是抑制濃度過高抗體，同時保證適應(yīng)度高的個體被選中的概率大。因為抗體的濃度過高，則在進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：對高濃度的t個抗體，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也高。
2 基于神經(jīng)網(wǎng)絡(luò)模型的油氣濃度智能預報
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雜性。特別是機場油庫的監(jiān)控任務(wù)十分艱巨，必須引起足夠的重視。油庫油氣濃度的預報研究包括兩個方面：
一是油氣濃度的趨勢預報，即根據(jù)油氣濃度的歷史數(shù)據(jù)來預測其未來一段時間的變化規(guī)律；
二是油氣擴散的機理研究。油氣的擴散過程取決于環(huán)境的溫度、濕度、通風條件等自然因素，因此，油氣濃度預報模型必須能夠反映油氣擴散的自然規(guī)律。
2.1 智能預報原理
神經(jīng)網(wǎng)絡(luò)的主要特征是自學習，通過對樣本模式的學習，模擬信息之間的內(nèi)在機制。神經(jīng)網(wǎng)絡(luò)對油氣濃度擴散機制進行識別的實質(zhì)，是通過選擇適當?shù)纳窠?jīng)網(wǎng)絡(luò)模型，逼近實際系統(tǒng)的動態(tài)過程。若以某一時段的油氣濃度要素作為網(wǎng)絡(luò)的輸入，以未來一段時間的相應(yīng)油氣濃度要素作為網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)模型通過對歷史油氣資料的學習，就能對蘊含在該時段的油氣擴散規(guī)律進行映射。
設(shè)網(wǎng)絡(luò)輸入X=[X1，X2，…，Xn]T表示上個時段的油氣條件，輸出Y=[Y1，Y2，…，Yn]T表示下一個時段的油氣條件，期望輸出Yd=[Yd1，Yd2，…，Ydn]T表示下一個時段實測的油氣情況，油氣擴散機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
誤差指標為
2.2 油氣濃度模型的建立
在油庫油氣濃度智能預報模型中，將上個時段的油氣參數(shù)作為網(wǎng)絡(luò)的輸入，將下個時段作為網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)的預見期T為24小時，以歷史油氣資料作為樣本對網(wǎng)絡(luò)進行訓練，使網(wǎng)絡(luò)識別出該時段的油氣擴散規(guī)律，并將該規(guī)律貯存在網(wǎng)絡(luò)權(quán)重中。如果已知上個時段的油氣參數(shù)，完成訓練的網(wǎng)絡(luò)就會預報出下個時段的油氣參數(shù)，油氣在整個時段的傳播時間即為網(wǎng)絡(luò)的預見期。某油庫油氣濃度智能預報模型的結(jié)構(gòu)示意圖如圖3所示。
圖3 智能預報的神經(jīng)網(wǎng)絡(luò)模型
圖3中，t為上個時段的起報時刻，t+T 是網(wǎng)絡(luò)的預見期。對于油庫油氣濃度預報的建模思路是：構(gòu)造神經(jīng)網(wǎng)絡(luò)模型，應(yīng)用油氣資料進行模型訓練，當訓練精度達到要求時，神經(jīng)網(wǎng)絡(luò)模型就能在此精度下映射油氣擴散機制。
3 油氣濃度模型的免疫訓練
訓練樣本的預處理：在網(wǎng)絡(luò)的輸入項中，由于不同時段的參數(shù)相差較大，為了保證各因素處于同等地位，對輸入輸出項進行數(shù)據(jù)歸一化預處理。
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)對訓練集進行免疫遺傳學習，并用測試集進行泛化測試，MSE變化趨勢如圖4所示。
圖4 免疫遺傳算法的訓練/測試誤差曲線
4 預報結(jié)果及分析
圖5為2月16～18日油氣濃度預報結(jié)果與實際結(jié)果比較，圖6為2月19～22日油氣濃度預報結(jié)果與實際結(jié)果比較。
圖5 2003年2月16～18日油氣濃度預報結(jié)果
圖6 2003年2月19～22日油氣濃度預報結(jié)果
預報結(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報模型能夠較好地反映油氣擴散運動機理。其中，最大預報誤差為6.86%;，最小預報誤差為2.36%，平均誤差為4.61%。預報精度較高，已達到實際應(yīng)用的精度
從預報結(jié)果來看，網(wǎng)絡(luò)模型對油氣濃度的預報精度較高，但有時誤差較大，這主要是網(wǎng)絡(luò)的訓練問題，訓練樣本越多，代表性越強，則精度越高。在實際應(yīng)用中還發(fā)現(xiàn)，對于不同季節(jié)、不同的水文地質(zhì)環(huán)境，油氣擴散過程會表現(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)具有在線學習功能。
5 結(jié)論
檢驗結(jié)果表明，該智能預報模型，能夠較好地識別油氣擴散的演進規(guī)律，對不同季節(jié)、不同水文地質(zhì)環(huán)境的油氣濃度都能進行合理預報。所建模型精度的擬合值與預測值都與實際數(shù)據(jù)吻合得較好，各測點的誤差值均在許可的范圍內(nèi)。通過該預測方法可提前了解油氣濃度的大小及發(fā)展趨勢，及時采取預防措施，對保障油庫的安全具有重要的現(xiàn)實意義，為油庫油氣濃度預測提供了一種新方法。
北京市公安局海淀分局備案號：11010802023656號