基于SHPSO-GA-BP的成品汽油调和中加氢汽油组分辛烷值的预测
发布时间：2021-06-13 06:03
针对成品汽油调和配方建模中加氢汽油组分辛烷值难以实时获取,考虑遗传算法（genetic algorithm,GA）、粒子群算法（particle swarm optimization,PSO）优化反向传播（back propagation,BP）网络存在的问题,提出了一种串行混合粒子群遗传算法（serial hybrid PSO-GA,SHPSO-GA）优化BP网络,并用于辛烷值的预测建模。该方法首先将PSO算法的输出依据适应度值分为优劣2个种群,弃劣留优;然后对留优种群再进行GA的交叉变异操作,进一步优化种群,经过每一代PSO和GA的交替优化,并将最优种群用于BP网络参数优化;最后基于该方法和工业历史数据,建立了加氢汽油组分辛烷值的预测模型,仿真结果表明,较传统BP,以及改进的GA-BP、PSO-BP、PSO-GA-BP等方法,SHPSO-GA-BP由于将PSO与GA进行更优的深度融合,具有更好的预测性能,可以用于辛烷值的预测。
【文章来源】：化工学报. 2020,71(07)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
SHPSO-GA-BP算法基本流程
为显现文中方法的优越性，本文分别对GA-BP、PSO-BP、PSO-GA-BP以及SHPSO-GA-BP几种方法进行对比研究，采用均方误差作为适应度值，其适应度值随进化次数的变化曲线如图2所示。从图2可以看出，经过50次的种群进化，采用GA、PSO以及PSO-GA优化BP权值和阈值之后，其适应度值均不同程度地减小，GA-BP在28代附近达到稳定值0.026,PSO-BP在7代附近达到稳定值0.0275,PSO-GA-BP在31代附近达到稳定值0.0261,SHPSO-GA-BP在11代附近达到稳定值0.0256。对比可知GA-BP预测模型适应度值较小，但收敛速度慢，PSO-BP算法收敛速度最快，但精度不足。文中对PSO与GA算法的深度融合，使得混合算法SHPSO-GA-BP既有快速收敛性又有较小的均方误差，很好地继承了两者的优点。但在传统PSO-GA-BP模型中，PSO、GA两种算法各占迭代次数的一半，在25代之前PSO起作用，可以看出其收敛速度很快，在第7代已经收敛，但却陷入了局部极小值，25代之后GA起作用，跳出了局部极小值，也得到最小均方误差。
从图4可以看出，BP网络的误差在0.08之前分布较为均匀，0.1左右频数较大，说明网络的训练结果与实际值存在一定偏差；GA-BP网络的误差大部分控制在0.08之内，其后误差分布平缓，说明训练结果的大部分值能很好地接近实际值，但也存在部分异常值；PSO-BP网络的误差部分聚集在0.04之内，其余大部分分布在0.04～0.16,0.2之后也有部分分布，说明训练结果除了部分能很好地接近实际值之外，大部分存在一定偏差；PSO-GA-BP网络的误差一大部分聚集在0.08之内，其余的大部分聚集在0.2之前，其后有少量分布，说明网络的训练结果能很好地接近实际值，网络偏差较小；SHPSO-GA-BP网络的误差有接近40个聚集在0.04之内，其余的大部分也能聚集在0.2之前，说明其误差更小。因此，从最小预测误差来看，SHPSO-GA-BP预测性能最好，PSO-GA-BP次之。从表1可以看出，采用本文PSO与GA交替融合的算法优化BP网络之后，其预测值的均方误差、绝对误差和以及相应误差内的准确率等性能，较其他方法均有很大提升；在网络的训练时间上，与其他三种混合优化算法相比，其值也有显著下降。通过比较误差在0.05、0.15范围之内的准确率，还可以看出文中提出的方法均具有最好的准确率。综上结果表明文中的SHPSO-GA-BP模型用于预测辛烷值具有更优的性能。
【参考文献】：
期刊论文
[1]拉曼光谱结合后向间隔偏最小二乘法用于调和汽油辛烷值定量分析[J]. 王拓,戴连奎,马万武. 分析化学. 2018(04)
[2]基于近红外光谱的汽油辛烷值预测与模型优化[J]. 韩仲志,万剑华,刘康炜. 分析试验室. 2015(11)
[3]汽油组分及汽油辛烷值预测方法研究进展[J]. 仇爱波,周如金,邱松山,曾兴业. 天然气化工（C1化学与化工）. 2014(02)
[4]汽油调合优化神经网络模型的研究[J]. 钟英竹. 石油炼制与化工. 2013(05)
[5]基于拉曼技术的汽油辛烷值测定系统设计[J]. 蒋书波,林锦国,程明霄,王瑾. 化工学报. 2011(08)
[6]应用BP神经网络的二次反应清洁汽油辛烷值预测[J]. 周小伟,袁俊,杨伯伦. 西安交通大学学报. 2010(12)
[7]一种全局收敛的PSO算法及其收敛分析[J]. 高浩,冷文浩,须文波. 控制与决策. 2009(02)
[8]一种用拓扑指数和基团组成预测烷烃辛烷值的方法[J]. 王宁,温浩,许志宏,徐亦方. 石油学报(石油加工). 1998(03)
本文编号：3227147
【文章来源】：化工学报. 2020,71(07)北大核心EICSCD
【文章页数】：10 页
【部分图文】：
SHPSO-GA-BP算法基本流程
为显现文中方法的优越性，本文分别对GA-BP、PSO-BP、PSO-GA-BP以及SHPSO-GA-BP几种方法进行对比研究，采用均方误差作为适应度值，其适应度值随进化次数的变化曲线如图2所示。从图2可以看出，经过50次的种群进化，采用GA、PSO以及PSO-GA优化BP权值和阈值之后，其适应度值均不同程度地减小，GA-BP在28代附近达到稳定值0.026,PSO-BP在7代附近达到稳定值0.0275,PSO-GA-BP在31代附近达到稳定值0.0261,SHPSO-GA-BP在11代附近达到稳定值0.0256。对比可知GA-BP预测模型适应度值较小，但收敛速度慢，PSO-BP算法收敛速度最快，但精度不足。文中对PSO与GA算法的深度融合，使得混合算法SHPSO-GA-BP既有快速收敛性又有较小的均方误差，很好地继承了两者的优点。但在传统PSO-GA-BP模型中，PSO、GA两种算法各占迭代次数的一半，在25代之前PSO起作用，可以看出其收敛速度很快，在第7代已经收敛，但却陷入了局部极小值，25代之后GA起作用，跳出了局部极小值，也得到最小均方误差。
从图4可以看出，BP网络的误差在0.08之前分布较为均匀，0.1左右频数较大，说明网络的训练结果与实际值存在一定偏差；GA-BP网络的误差大部分控制在0.08之内，其后误差分布平缓，说明训练结果的大部分值能很好地接近实际值，但也存在部分异常值；PSO-BP网络的误差部分聚集在0.04之内，其余大部分分布在0.04～0.16,0.2之后也有部分分布，说明训练结果除了部分能很好地接近实际值之外，大部分存在一定偏差；PSO-GA-BP网络的误差一大部分聚集在0.08之内，其余的大部分聚集在0.2之前，其后有少量分布，说明网络的训练结果能很好地接近实际值，网络偏差较小；SHPSO-GA-BP网络的误差有接近40个聚集在0.04之内，其余的大部分也能聚集在0.2之前，说明其误差更小。因此，从最小预测误差来看，SHPSO-GA-BP预测性能最好，PSO-GA-BP次之。从表1可以看出，采用本文PSO与GA交替融合的算法优化BP网络之后，其预测值的均方误差、绝对误差和以及相应误差内的准确率等性能，较其他方法均有很大提升；在网络的训练时间上，与其他三种混合优化算法相比，其值也有显著下降。通过比较误差在0.05、0.15范围之内的准确率，还可以看出文中提出的方法均具有最好的准确率。综上结果表明文中的SHPSO-GA-BP模型用于预测辛烷值具有更优的性能。
【参考文献】：
期刊论文
[1]拉曼光谱结合后向间隔偏最小二乘法用于调和汽油辛烷值定量分析[J]. 王拓,戴连奎,马万武. 分析化学. 2018(04)
[2]基于近红外光谱的汽油辛烷值预测与模型优化[J]. 韩仲志,万剑华,刘康炜. 分析试验室. 2015(11)
[3]汽油组分及汽油辛烷值预测方法研究进展[J]. 仇爱波,周如金,邱松山,曾兴业. 天然气化工（C1化学与化工）. 2014(02)
[4]汽油调合优化神经网络模型的研究[J]. 钟英竹. 石油炼制与化工. 2013(05)
[5]基于拉曼技术的汽油辛烷值测定系统设计[J]. 蒋书波,林锦国,程明霄,王瑾. 化工学报. 2011(08)
[6]应用BP神经网络的二次反应清洁汽油辛烷值预测[J]. 周小伟,袁俊,杨伯伦. 西安交通大学学报. 2010(12)
[7]一种全局收敛的PSO算法及其收敛分析[J]. 高浩,冷文浩,须文波. 控制与决策. 2009(02)
[8]一种用拓扑指数和基团组成预测烷烃辛烷值的方法[J]. 王宁,温浩,许志宏,徐亦方. 石油学报(石油加工). 1998(03)
本文编号：3227147
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3227147.html
