一种压缩天然气加气站智能风险评估方法

1.本发明涉及一种压缩天然气加气站智能风险评估方法，尤其涉及一种基于改进蝗虫算法优化的楔形波多核支持向量机的压缩天然气加气站智能风险评估方法。


背景技术：

2.压缩天然气具有成本低、无污染、使用方便等特点，压缩天然气加气站往往通过储罐储存一定量的天然气。近年来，压缩天然气加气站的数量不断增加。压缩天然气行业的快速发展导致现场分散和监管困难。此外，许多地方管理工作相对薄弱，控制手段落后。因此，许多新的压缩天然气加气站在业务管理、设备监控、安全生产等方面存在许多漏洞和问题。由于腐蚀或材料缺陷，天然气储罐可能发生泄漏，导致火灾、爆炸等事故，安全生产事故时有发生，造成人员伤亡和财产损失。因此，压缩天然气加气站的安全问题日益引起公众的关注。鉴于压缩天然气加气站的高风险状态，有必要对压缩天然气加气站生产经营中可能存在的风险因素进行危害识别风险分析。结合事故统计分析结果，采用定性评价方法对压缩天然气加气站生产装置进行初步危险性分析，找出压缩天然气加气站常见事故的原因，提出压缩天然气加站安全生产运行的技术管理措施。压缩天然气加气站风险评估研究将确保压缩天然气加气站及其周边设施的安全。
3.近年来，随着人工智能技术的蓬勃发展，基于人工智能的机器学习算法越来越成熟。基于人工智能的机器学习算法可以自动获取信息并实时发布，防止重大或严重损坏，此外，它具有成本低、功耗低、信息可靠等优点。由于压缩天然气加气站风险评估具有很强的复杂性、非线性、不确定性和实时性，采用传统的数学模型进行风险评估存在一定的局限性。传统的评价方法主观随机性和模糊性较大，操作相对复杂，缺乏自学习能力。支持向量机的非线性处理能力是通过“核映射”方法实现的。对于内核映射，内核函数必须满足mercer条件。例如，高斯核函数是一种广泛使用的核函数，在分析非线性问题时表现出良好的映射性能。然而，对于现有的核函数，支持向量机无法在某个l2(r)子空间上逼近任何函数，因为现有的核功能无法通过平移在该子空间上生成一组完整的基。


技术实现要素：

4.本发明针对上述现有技术中存在的问题，提供一种改进蝗虫算法优化的楔形波多核支持向量机的压缩天然气加气站智能风险评估方法。本发明能够提高压缩天然气加气站风险评估的精度和效率，进而可以提升压缩天然气加气站安全管理水平。
5.本发明的技术方案包括如下步骤：
6.步骤1：构建楔形波多核支持向量机
7.将对不同尺度和方向的变化均具有良好鲁棒性的楔形波变换与支持向量机相结合，建立了楔形波支持向量机。针对单核函数支持向量机在处理多特征集合的机器学习任务时在评估中的盲目性问题，通过局部和全局核函数的加权线性相加生成多核支持向量机对数据进行分类，进一步提高分类精度，从而提高压缩天然气加气站的风险评估精度。
8.步骤1-1：构建组合核函数，相应的公式如下所示：
[0009][0010][0011]
式中，λi表示权重系数，ki(x,y)表示单核函数，表达式如下所示：
[0012][0013]
式中，c表示尺度因子，di和ei表示平移因子。
[0014]
步骤1-2：定义回归函数，如下所示：
[0015][0016]
式中，ω表示权重变量，表示映射函数,b表示补偿因子。
[0017]
步骤1-3：定义目标函数和边界条件，如下所示：
[0018][0019][0020]
式中，l表示样本数，d表示惩罚因子。
[0021]
步骤1-4：利用拉格朗日对偶性构建拉格朗日目标函数和相应的边界条件，如下所示：
[0022][0023][0024]
式中，θi,χi表示拉格朗日算子。
[0025]
根据式(5)可得：
[0026][0027]
计算式(7)对w,b,εi的偏导，并且将结果回代至式(9)得到如下方程：
[0028][0029]
通过优化可以推导出最小化方程，如下所示：
[0030]
[0031][0032]
步骤1-5：通过引入多核函数得到多核支持向量机，如下所示
[0033][0034][0035]
步骤1-6：确定楔形波多核支持向量机的决策函数，如下所示：
[0036][0037]
步骤2：确定改进蝗虫算法优化楔形波支持向量机
[0038]
为了提高楔形波多核支持向量机的风险评估效果，将具备较好全局优化性能以及较高收敛精度的改进蝗虫优化算法应用于楔形波多核支持向量机惩罚因子、核函数参数和权重的优化。
[0039]
步骤2-1：初始化改进蝗虫优化算法的基本参数，包括种群大小、空间维度、最大迭代次数以及初始位置。
[0040]
步骤2-2：按下式更新蝗虫群体的位置：
[0041][0042][0043]
式中，td表示蝗虫群体的目标位置，η表示衰减系数，ω
l
表示权重系数，t表示当前迭代次数，η
max
和η
min
表示最大和最小衰减因子。s(
·
)表示蝗虫种群之间相互作用力函数，如下所示：
[0044][0045]
式中，f表示吸引强度参数，r表示吸引力尺度参数。
[0046]
步骤2-3：利用levy飞行局部搜索策略调整单个蝗虫的位置，如下所示：
[0047]
x＝x 10
×sts
·
l
·
x
ꢀꢀꢀ
(19)
[0048]
式中，l表示levy飞行步长,s
ts
表示阈值函数，可以用于控制蝗虫的飞行方法和变化概率。
[0049]
l利用下式计算：
[0050]
l＝μ/|v|
1/β
ꢀꢀꢀ
(20)
[0051]
式中，β表示0和2之间的常数，参数μ和v表示服从正态分布的参数。
[0052]
步骤2-4：当蝗虫个体搜索当前最优位置时，原位置被替换；如果未发现最优解，利用线性递减参数随机跳出策略，如下所示：
[0053]
pi＝(2-2rand(0,1))
·
piꢀꢀꢀ
(21)
[0054]
式中，pi表示第i个蝗虫。当发现一个新位置pi，如果新位置优于当前位置，由新位
置替换当前位置。
[0055]
步骤2-5：为了使衰减系数在算法执行早期以更快的速度降低，确保种群中蝗虫个体能够快速接近最优目标，提高算法的收敛速度；在算法后期迭代过程中，衰减系数的降低速度减小，从而蝗虫个体能够仔细地搜索空间，避免算法陷入局部最优。利用递减系数更新策略调整衰减因子η，如下所示：
[0056][0057]
式中，n表示当前迭代系数，n表示最大迭代次数。
[0058]
步骤3：确定压缩天然气加气站风险评估指标体系
[0059]
通过详细地收集和分析压缩天然气加气站设计、施工、运行、运行、泄漏、缺陷、人员、社会和经济方面的数据，系统、全面和定性地识别压缩天然气加气站的风险影响因素。根据风险形成机制，确定压缩天然气加气站风险指标体系。确定天然气加气站风险评估体系的一级指标和二级指标。
[0060]
步骤4：采集与压缩天然气加气站风险指标体系相关的数据，通过专家评价法和问卷法确定一级指标值，确定输入样本数据。
[0061]
步骤5：将压缩天然气加气站的风险水平划分为五个等级，分别是i级(分数区间为[0.90,1.00])、ii级(分数区间为[0.75,0.90))、iii级(分数区间为[0.60,0.75))、iv级(分数区间为[0.45,0.60))和v级(分数区间为[0,0.45))。风险等级作为评估模型的输出样本数据。
[0062]
步骤6：收集压缩天然气加气站风险评估相关数据，将数据划分为两个部分，分别为训练数据样本和测试数据样本。
[0063]
步骤7：利用训练数据样本对评估模型进行训练，然后利用训练后的评估模型对待评估压缩天然气加气站风险水平进行评估，判定待评估压缩天然气加气站的安全状况。
[0064]
本发明的优点效果如下：
[0065]
通过本发明构建的改进蝗虫算法优化的楔形波多核支持向量机对压缩天然气加气站风险进行评估，能够提有效地提升压缩天然气加气站风险评估的精度和效率，从而能够提高压缩天然气加气站风险评估的有效性，为压缩天然气加气站制定风险防控措施提供有力的理论依据，具有较为广阔的发展前景。
附图说明
[0066]
图1不同风险评估方法的训练时间
具体实施方式
[0067]
实施例
[0068]
本发明的技术方案包括如下的步骤：
[0069]
步骤1：构建楔形波多核支持向量机
[0070]
将对不同尺度和方向的变化均具有良好鲁棒性的楔形波变换与支持向量机相结合，建立了楔形波支持向量机。针对单核函数支持向量机在处理多特征集合的机器学习任务时在评估中的盲目性问题，通过局部和全局核函数的加权线性相加生成多核支持向量机
对数据进行分类，进一步提高分类精度，从而提高压缩天然气加气站的风险评估精度。
[0071]
步骤1-1：构建组合核函数，相应的公式如下所示：
[0072][0073][0074]
式中，λi表示权重系数，ki(x,y)表示单核函数，表达式如下所示：
[0075][0076]
式中，c表示尺度因子，di和ei表示平移因子。
[0077]
步骤1-2：定义回归函数，如下所示：
[0078][0079]
式中，ω表示权重变量，表示映射函数,b表示补偿因子。
[0080]
步骤1-3：定义目标函数和边界条件，如下所示：
[0081][0082][0083]
式中，l表示样本数，d表示惩罚因子。
[0084]
步骤1-4：利用拉格朗日对偶性构建拉格朗日目标函数和相应的边界条件，如下所示：
[0085][0086][0087]
式中，θi,χi表示拉格朗日算子。
[0088]
根据式(5)可得：
[0089][0090]
计算式(7)对w,b,εi的偏导，并且将结果回代至式(9)得到如下方程：
[0091][0092][0093]
通过优化可以推导出最小化方程，如下所示：
[0094][0095][0096]
步骤1-5：通过引入多核函数得到多核支持向量机，如下所示
[0097][0098][0099]
步骤1-6：确定楔形波多核支持向量机的决策函数，如下所示：
[0100][0101]
步骤2：确定改进蝗虫算法优化优化楔形波支持向量机
[0102]
为了提高楔形波多核支持向量机的风险评估效果，将具备较好全局优化性能以及较高收敛精度的改进蝗虫优化算法应用于楔形波多核支持向量机惩罚因子、核函数参数和权重的优化。
[0103]
步骤2-1：初始化改进蝗虫优化算法的基本参数，包括种群大小、空间维度、最大迭代次数以及初始位置。
[0104]
步骤2-2：按下式更新蝗虫群体的位置：
[0105][0106][0107]
式中，td表示蝗虫群体的目标位置，η表示衰减系数，ω
l
表示权重系数，t表示当前迭代次数，η
max
和η
min
表示最大和最小衰减因子。s(
·
)表示蝗虫种群之间相互作用力函数，如下所示：
[0108][0109]
式中，f表示吸引强度参数，r表示吸引力尺度参数。
[0110]
步骤2-3：利用levy飞行局部搜索策略调整单个蝗虫的位置，如下所示：
[0111]
x＝x 10
×sts
·
l
·
x
ꢀꢀꢀ
(19)
[0112]
式中，l表示levy飞行步长,s
ts
表示阈值函数，可以用于控制蝗虫的飞行方法和变化概率。
[0113]
l利用下式计算：
[0114]
l＝μ/|v|
1/β
ꢀꢀꢀ
(20)
[0115]
式中，β表示0和2之间的常数，参数μ和v表示服从正态分布的参数。
[0116]
步骤2-4：当蝗虫个体搜索当前最优位置时，原位置被替换；如果未发现最优解，利用线性递减参数随机跳出策略，如下所示：
[0117]
pi＝(2-2rand(0,1))
·
piꢀꢀꢀ
(21)
[0118]
式中，pi表示第i个蝗虫。当发现一个新位置pi，如果新位置优于当前位置，由新位置替换当前位置。
[0119]
步骤2-5：为了使衰减系数在算法执行早期以更快的速度降低，确保种群中蝗虫个体能够快速接近最优目标，提高算法的收敛速度；在算法后期迭代过程中，衰减系数的降低速度减小，从而蝗虫个体能够仔细地搜索空间，避免算法陷入局部最优。利用递减系数更新策略调整衰减因子η，如下所示：
[0120][0121]
式中，n表示当前迭代系数，n表示最大迭代次数。
[0122]
步骤3：确定压缩天然气加气站风险评估指标体系
[0123]
通过详细地收集和分析压缩天然气加气站设计、施工、运行、运行、泄漏、缺陷、人员、社会和经济方面的数据，系统、全面和定性地识别压缩天然气加气站的风险影响因素。根据风险形成机制，确定压缩天然气加气站风险指标体系。确定天然气加气站风险评估体系的一级指标和二级指标。
[0124]
步骤4：采集与压缩天然气加气站风险指标体系相关的数据，通过专家评价法和问卷法确定一级指标值，确定输入样本数据。
[0125]
步骤5：将压缩天然气加气站的风险水平划分为五个等级，分别是i级(分数区间为[0.90,1.00])、ii级(分数区间为[0.75,0.90))、iii级(分数区间为[0.60,0.75))、iv级(分数区间为[0.45,0.60))和v级(分数区间为[0,0.45))。风险等级作为评估模型的输出样本数据。
[0126]
步骤6：收集压缩天然气加气站风险评估相关数据，将数据划分为两个部分，分别为训练数据样本和测试数据样本。
[0127]
步骤7：利用训练数据样本对评估模型进行训练，然后利用训练后的评估模型对待评估压缩天然气加气站风险水平进行评估，判定待评估压缩天然气加气站的安全状况。
[0128]
具体的实施例如下所示：
[0129]
在实施例中，选择一个压缩天然气加气站进行风险评估，该压缩天然气加气站规模如下：加气能力为1000标准立方米/时，日加气能力10000标准立方米。该压缩天然气加气站主要为中小型车辆供气。
[0130]
改进蝗虫算法的参数设置如下：l＝2.0,f＝1.0,b
min
＝0.35,b
max
＝0.90,η
min
＝0.40,η
max
＝0.95,种群的规模为350，最大迭代次数为400。
[0131]
利用问卷法和专家调查法获取该压缩天然气加气站风险评估50组相关数据，前40组数据作为训练样本，后10组数据作为测试样本。
[0132]
为了验证本发明所提出评估方法的有效性，还使用b样条小波支持向量机优化的蝗虫算法(bswsvm-la)和粒子群算法优化的支持向量机(svm-psa)来对训练样本进行风险评估。利用平均绝对误差(mae)和平均绝对百分比误差(mape)评价不同评估模型的准确性。基于不同模型的压缩天然气加气站风险评估结果见表1。
[0133]
表1基于不同模型的压缩天然气风险评估结果
[0134][0135]
不同模型的训练时间如图1所示。从图1中可以看出，本发明提出评估方法的训练时间为6.7s，是三种方法是最小的，因此，本发明提出的风险评估方法能够提高压缩天然气加气站风险评估的效率。
[0136]
利用经过训练样本训练的三种评估方法对测试样本进行风险评估，对比结果见表2。
[0137]
表2基于三种方法的测试样本的风险评估结果
[0138][0139]
根据表2的计算结果可知，本发明提出评估方法的mae范围为0.82至0.92，bswsvm-la的mae为3.27至3.68，svm-psa的mea范围为4.17至4.57。此外，本发明提出评估方法评估结果均正确，bswsvm-la评估结果有4个错误，svm-psa评估结果有7个错误，因此，提出的wmksvm-ila在三个模型中具有最高的评估正确性。
[0140]
分析结果表明，提出的基于改进蝗虫算法优化楔形波多核支持向量机的压缩天然气加气站风险评估方法能够获得最佳的效果，是一种具有高实用价值的风险评估方法。