GA-BP在化工園區(qū)VOCs預測模型中的應用

任 偉 牛玉霞

(南通科技職業(yè)學院 江蘇 南通 226007)

0 引 言

中國制造業(yè)的發(fā)展在全世界屈指可數(shù)，擁有很多大規(guī)模的制造業(yè)園區(qū)，生產(chǎn)流程都設在園區(qū)內(nèi)，而且大多數(shù)的制造業(yè)園區(qū)都會存在VOCs的治理問題[1]。從當前工業(yè)源的排放狀態(tài)來看，園區(qū)內(nèi)的VOCs排放量占據(jù)了一半以上，由此可見對園區(qū)的VOCs綜合整治將是未來國內(nèi)實現(xiàn)VOCs減排的必然發(fā)展趨勢[2-4]。工業(yè)園區(qū)的VOCs泄露問題不單單會對環(huán)境造成很大的污染，而且還會引起多種事故，威脅人們的生活和生產(chǎn)安全[5-6]。此時，需要組建VOCs預測模型對工業(yè)園區(qū)的VOCs進行預測，但是在對工業(yè)園區(qū)VOCs進行實際預測過程中，相對于大多數(shù)的模型無法詳細擬合出VOCs不同狀態(tài)，致使其對工業(yè)園區(qū)VOCs預測陷入了瓶頸。在這種情況下，對工業(yè)園區(qū)VOCs預測問題成為了制約環(huán)境治理領域發(fā)展的一個重要因素，引起了很多專家和學者的重視[7]。

目前，關于工業(yè)園區(qū)VOCs預測模型的研究有很多，其相對研究也出現(xiàn)了一定的成果。文獻[8]將馬爾柯夫鏈理論引入到對VOCs預測中，給出VOCs的狀態(tài)變化規(guī)律，由此組建工業(yè)園區(qū)VOCs預測模型。利用該模型進行工業(yè)園區(qū)VOCs預測具有預測成本低的優(yōu)勢，但是該模型受環(huán)境干擾因素較大，無法詳細地擬合出VOCs不同狀態(tài)，存在預測誤差大的問題。文獻[9]利用高斯混合模型計算VOCs不同狀態(tài)的概率分布，利用高斯過程回歸預測VOCs的動態(tài)變化軌跡，在此基礎構(gòu)建工業(yè)園區(qū)VOCs預測模型。該模型預測響應性高，但是傳感器選擇不具有唯一性，輸出的參數(shù)不確定，存在擬合效果差的問題。文獻[10]采集不同長度的VOCs軌跡，擬合VOCs各軌跡的誤差，預測軌跡VOCs將來的變化趨勢，由此組建工業(yè)園區(qū)VOCs預測模型。該模型預測靈敏度較高，但原始權(quán)值或者閾值的隨機性容易產(chǎn)生局部最優(yōu)解的問題。

針對上述問題，提出了一種基于遺傳算法和BP神經(jīng)網(wǎng)絡的工業(yè)園區(qū)VOCs預測模型。實驗仿真證明，所提模型預測可靠性高，分辨力強，為工業(yè)園區(qū)的VOCs全面治理提供了思路。

1 建模原理

在組建工業(yè)園區(qū)VOCs預測模型過程中，通過VOCs采樣點的位置信息獲取VOCs狀態(tài)的原始軌跡序列，采用其中兩個不同方向的軌跡矢量定義VOCs狀態(tài)變化的軌跡數(shù)據(jù)，并用高斯函數(shù)表述VOCs的各個狀態(tài)，對VOCs狀態(tài)數(shù)據(jù)進行聚類。定義VOCs狀態(tài)軌跡的投影矢量級，由此組建工業(yè)園區(qū)VOCs預測模型。具體的步驟如下：

(1)

對VOCs狀態(tài)空間2維平面X軸和Y軸進行建模，利用下式通過不同方向的軌跡矢量映射軌跡數(shù)據(jù)變量:

(2)

(3)

(4)

(5)

(6)

綜上所述可以說明，工業(yè)園區(qū)VOCs預測建模原理，利用原理組建工業(yè)園區(qū)VOCs預測模型。

2 優(yōu)化模型

2.1 拓撲結(jié)構(gòu)的組建

為了更好地進行工業(yè)園區(qū)VOCs預測，采用BP神經(jīng)網(wǎng)絡對VOCs狀態(tài)進行泄露判斷，建立三層的神經(jīng)網(wǎng)絡，對原始VOCs狀態(tài)變化時間序列進行自相關與偏相關分析，得到VOCs狀態(tài)變化時間序列自身存在規(guī)律。具體步驟如下詳述:

(7)

(8)

(9)

式中:(n1)代表其神經(jīng)元數(shù)量，a代表常數(shù)。

2.2 優(yōu)化模型的建立

對s(o″)代表的VOCs計量數(shù)據(jù)進行關于泄露指標的評價，得到p″(j)代表的評價指標的數(shù)據(jù)集，利用下式對各個VOCs狀態(tài)評價指標數(shù)據(jù)進行歸一化處理：

(10)

(11)

式中：n″代表樣本輸入的數(shù)量，yi代表BP網(wǎng)絡的預測結(jié)果，mse代表均方誤差函數(shù)。

(12)

3 實驗與仿真證明

為了證明提出的工業(yè)園區(qū)VOCs預測模型的有效性，需要進行一次實驗。實驗數(shù)據(jù)來源于2017年5月至11月監(jiān)測的某城市工業(yè)園區(qū)VOCs數(shù)據(jù)集，對該數(shù)據(jù)集進行歸一化處理，選取60%處理后的數(shù)據(jù)集為測試數(shù)據(jù)集，剩下的數(shù)據(jù)集為訓練數(shù)據(jù)集，在Mat-lab7.1環(huán)境下搭建工業(yè)園區(qū)VOCs預測模型的實驗仿真平臺。實驗參數(shù)如表1所述。

表1 實驗參數(shù)設置

3.1 評價指標的設定

在實驗過程中，為了更好地評價基于遺傳算法和BP神經(jīng)網(wǎng)絡的工業(yè)園區(qū)VOCs預測模型進行工業(yè)園區(qū)VOCs預測性能，將實驗分為主觀評價和客觀評價兩個不同的部分。第一個部分，以對工業(yè)園區(qū)VOCs預測的擬合優(yōu)度作為主觀評價指標來評價基于遺傳算法和BP神經(jīng)網(wǎng)絡模型進行工業(yè)園區(qū)VOCs預測的優(yōu)越性。第二個部分，為了更好地彰顯實驗的全面性和公正性，將文獻[9]所提基于高斯混合模型作為對比模型，將VOCs狀態(tài)變化時間序列間的相關性和VOCs狀態(tài)特征波動程度作為客觀評價指標來評價不同模型進行工業(yè)園區(qū)VOCs預測的質(zhì)量。

(13)

(14)

(15)

3.2 擬合優(yōu)度的評價

利用提出的工業(yè)園區(qū)VOCs預測模型進行工業(yè)園區(qū)VOCs預測實驗，測試實際VOCs狀態(tài)和預測VOCs狀態(tài)間的擬合優(yōu)度，測試結(jié)果見圖1。

圖1 基工業(yè)園區(qū)VOCs預測模型擬合優(yōu)度測試

從圖1的實驗仿真中可以分析得出，利用基于遺傳算法和BP神經(jīng)網(wǎng)絡的工業(yè)園區(qū)VOCs預測模型進行工業(yè)園區(qū)VOCs預測的結(jié)果和實際的工業(yè)園區(qū)VOCs狀態(tài)較為吻合，可以說明BP神經(jīng)網(wǎng)絡具有很強的自學能力且能以任意精度逼近非線性函數(shù)，充分滿足了工業(yè)園區(qū)VOCs預測對其擬合精度的需求。

3.3 不同模型工業(yè)園區(qū)VOCs預測的質(zhì)量

分別利用基于遺傳算法和BP神經(jīng)網(wǎng)絡的預測模型和文獻[9]所提基于高斯混合模型進行工業(yè)園區(qū)VOCs預測實驗，對比不同模型進行工業(yè)園區(qū)VOCs預測的VOCs狀態(tài)變化時間序列間的相關性和VOCs狀態(tài)特征波動程度，利用對比的結(jié)果衡量不同模型進行工業(yè)園區(qū)VOCs預測的整體優(yōu)越性，對比結(jié)果見圖2和表2。

圖2 不同模型進行工業(yè)園區(qū)VOCs預測的自相關性

時間/月基于遺傳算法和BP神經(jīng)網(wǎng)絡模型/j'gy基于高斯混合模型/j'gy50.14.560.125.370.156.680.146.890.137.2100.077.2110.088.4

從圖2和表2的實驗仿真結(jié)果中可以分析得出，利用基于遺傳算法和BP神經(jīng)網(wǎng)絡的預測模型進行工業(yè)園區(qū)VOCs預測的VOCs狀態(tài)變化時間序列間的相關性要高于文獻[9]所提基于高斯混合模型，并且VOCs狀態(tài)特征波動程度較低。這主要是因為基于遺傳算法和BP神經(jīng)網(wǎng)絡的預測模型選取了VOCs狀態(tài)污染指數(shù)樣本數(shù)據(jù)指標，通過計算VOCs狀態(tài)污染指數(shù)個體的適應度，將適應度低的個體淘汰，構(gòu)建工業(yè)園區(qū)VOCs預測模型，將VOCs污染指標的樣本數(shù)據(jù)作為模型的輸入樣本，以VOCs泄露嫌疑系數(shù)作為輸出變量，滿足了工業(yè)園區(qū)VOCs預測對其實時及連續(xù)預測需求。

4 結(jié) 語

針對采用當前模型進行工業(yè)園區(qū)VOCs 預測時，VOCs受外界因素影響較大，無法詳細描述出VOCs不同狀態(tài)，存在預測誤差大的問題。提出一種基于遺傳算法和BP神經(jīng)網(wǎng)絡的工業(yè)園區(qū)VOCs預測模型。實驗仿真證明，所提模型預測可靠性高，分辨力強，為工業(yè)園的VOCs全面治理提供了思路。