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控系統的重要組成部分，是油庫安全生產管理必不可少的重要環節。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場測量和遠程監控方法，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濟損失。因此，對油庫油氣的快速、準確的預報是多年來國內外專家十分關注的課題。本文采用免疫神經網絡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網絡模型
1.1 BP網絡概述
在眾多的神經網絡中，多層前饋網絡（BP網絡）具有很強的生物背景，它與函數逼近理論稍有差異，它具有多輸入多輸出特性，容易用于多變量非線性函數的逼近，由于它是一個非線性網絡，其學習算法是局部最優的，且訓練時需要用到全局信息。總的來說，BP網絡的主要優點是：
(1) 只要有足夠多的隱層和隱節點，BP網絡可以逼近任意非線性映射關系；
(2) BP網絡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網絡的輸入輸出之間的關聯信息分布地存儲于連接權中。由于連接權的個數很多，個別神經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提出的隨機逼近統計方法的一個應用，在權值空間中“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。從數學角度分析，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) 網絡的泛化及適應能力差。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則難以進行良好的訓練，致使網絡對該模式缺乏良好的響應，影響網絡泛化性能。
1.2 免疫算法原理
神經網絡的學習目的是通過調節網絡權值W，使目標代價函數E趨于最小。由于E是復雜的非線性函數，采用BP算法與基于BP的導數型優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計神經網絡權值，并已成功應用于網絡權值學習[5]。遺傳算法（Genetic Algorithm，GA）是根據生物中遺傳與進化的原理，仿效基因、染色體等物質表達所研究的問題，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化，逐步逼近最優解。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的方法，不依賴于導數信息，并行度高，善于處理解空間為多峰值地形的全局優化問題。但遺傳算法存在諸如當初始解群分布不均勻時易出現末成熟收斂，陷于局部最優和個體自適應于環境的能力弱等缺點。
生物體的免疫系統能夠以其有限的資源，有效應付數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注。免疫算法（Immune Algorithm，IA）[6]正是這一思路的產物，是受生物免疫系統的啟示而設計出來的一種具有對多峰值函數進行多峰值搜索及全局尋優能力的新型算法。算法的主要思路是：將網絡權重視為生物免疫系統的淋巴細胞，通過對其基因交叉、變異的進化操作和基于抗體濃度的調節操作，使基因不斷優化，從而找到最佳抗體，即為滿足最小誤差函數E的權值向量。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未成熟收斂，陷于局部最優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網絡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網絡訓練
(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性。實數編碼為自然正則碼，適于高精度運算，神經網絡權值及結構編碼多用后者，本文依然沿用實數編碼方法。
圖2 實數編碼圖
典型的三層前饋網絡n-h-m結構，網絡節點依次編號為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wij表示由節點i到節點j的輸出權；閾值bj為前一層對節點j的輸出閾值，然后依節點i順序串聯權值與閾值，構成如圖2的抗體串。圖2中，αj與αbj分別為網絡節點和閾值節點存在標識，用于控制網絡結構。當αj或
αbj取值為1時該節點存在；否則該節點被刪減。
(2) 適應度計算
設抗體Pi對應的網絡的能量函數為Ei，則適應度函數F(i)可直接定義為Ei的函數。本文設定: 
其中，const為大于零的常數，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絡，
式中，Tp,k和Yp,k分別為第ｐ個訓練樣本的第k個輸出節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的網絡結構，對所有權值組合的向量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間的可調參數；MaxFitness為抗體的最大適應度；C為抗體的濃度，可定義為：
其中，η為0～1之間的系數，用于控制濃度。可以看出：對高濃度的t個抗體，其中適應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度的抗體得到的得分修正相對也高。
2 基于神經網絡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控任務十分艱巨，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，即根據油氣濃度的歷史數據來預測其未來一段時間的變化規律；
二是油氣擴散的機理研究。油氣的擴散過程取決于環境的溫度、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律。
2.1 智能預報原理
神經網絡的主要特征是自學習，通過對樣本模式的學習，模擬信息之間的內在機制。神經網絡對油氣濃度擴散機制進行識別的實質，是通過選擇適當的神經網絡模型，逼近實際系統的動態過程。若以某一時段的油氣濃度要素作為網絡的輸入，以未來一段時間的相應油氣濃度要素作為網絡的輸出，網絡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律進行映射。
設網絡輸入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作為網絡的輸入，將下個時段作為網絡的輸出，網絡的預見期T為24小時，以歷史油氣資料作為樣本對網絡進行訓練，使網絡識別出該時段的油氣擴散規律，并將該規律貯存在網絡權重中。如果已知上個時段的油氣參數，完成訓練的網絡就會預報出下個時段的油氣參數，油氣在整個時段的傳播時間即為網絡的預見期。某油庫油氣濃度智能預報模型的結構示意圖如圖3所示。
圖3 智能預報的神經網絡模型
圖3中，t為上個時段的起報時刻，t+T 是網絡的預見期。對于油庫油氣濃度預報的建模思路是：構造神經網絡模型，應用油氣資料進行模型訓練，當訓練精度達到要求時，神經網絡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：在網絡的輸入項中，由于不同時段的參數相差較大，為了保證各因素處于同等地位，對輸入輸出項進行數據歸一化預處理。
主要參數的取值如下：
網絡結構：5－10－1；
權值初始范圍：[-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；
群體規模：N = 200；
迭代次數：epochs = 700；
控制參數：α = β = 0.5；η = 0.8；
遺傳參數：交叉概率Pc = 0.1；變異概率Pm = 0.05。
應用上述參數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 預報結果及分析
圖5為2月16～18日油氣濃度預報結果與實際結果比較，圖6為2月19～22日油氣濃度預報結果與實際結果比較。
圖5 2003年2月16～18日油氣濃度預報結果
圖6 2003年2月19～22日油氣濃度預報結果
預報結果表明，基于人工神經網絡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，已達到實際應用的精度
從預報結果來看，網絡模型對油氣濃度的預報精度較高，但有時誤差較大，這主要是網絡的訓練問題，訓練樣本越多，代表性越強，則精度越高。在實際應用中還發現，對于不同季節、不同的水文地質環境，油氣擴散過程會表現出不同變化規律，這主要是受自然因素的影響。因此，網絡模型應具有在線學習功能。
5 結論
檢驗結果表明，該智能預報模型，能夠較好地識別油氣擴散的演進規律，對不同季節、不同水文地質環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據吻合得較好，各測點的誤差值均在許可的范圍內。通過該預測方法可提前了解油氣濃度的大小及發展趨勢，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