基于AQPSO-LSSVM的煤焦油加氫產物凝點預測

孫高，周青龍，許建云(鄯善萬順發新能源科技有限公司，新疆 吐魯番 838000)

0 引言

煤焦油是煤炭加工、煤焦化和煤氣化過程的副產品，從煤焦油中生產輕質燃料油產品，是提高企業經濟效益的有效途徑之一[1]。近年來，國內中低溫煤焦油加氫工業化發展迅速[2]，通過加氫工藝處理，可以從煤焦油中生產清潔燃料產品，彌補石油資源的不足。煤焦油加氫產物主要為重芳烴，重芳烴的凝點直接影響到產品的儲存、安全運輸與產品使用，是煤焦油加氫產物的重要性能指標。傳統主要采用冷凝法對煤焦油加氫產物凝點進行測定，但裝置復雜且昂貴，測量工時消耗大，難以及時、準確地提供分析數據以指導生產。QPSO算法介紹：本研究通過引入粒子進化度和聚合度增強QPSO算法的自適應性，并優化LSSVM的兩個重要參數：核寬度參數σ和正則化參數γ，建立預測模型，避免了預測模型過早收斂，實現了煤焦油加氫產物凝點的快速預測，為石化產品凝點的在線測定提供了一種新的方法。

1 AQPSO-LSSVM預測模型的構建與實現

1.1 數據的來源與選取

因傳統冷凝法測定煤焦油加氫產物凝點，存在耗時、復雜、價格昂貴等缺點，現階段采用全自動蒸餾測定儀測得的恩氏餾程非線性數據，將其用于煤焦油加氫產物的凝點預測分析中。本文以新疆某公司中溫煤焦油加氫項目產物為對象，采用GBT 6536—2010石油產品常壓蒸餾特性測定法，得到產物的餾程數據，并按照國標 GB 510—83《石油產品凝點測定法》，測定產物凝點。從新疆公司煤焦油加氫項目產物中，抽樣得到343例樣本數據。對于樣本數據，采用局部異常因子法剔除了凝點低于-7 ℃，低于-13 ℃，低于-15 ℃和低于-20 ℃的，以及不能確定具體值的異常樣本共10例，最后得到有效樣本333例。隨機選取近五分之四的數據263例，作為算法的訓練樣本，其余70例數據作為測試樣本，以檢驗算法的泛化能力和預測精度。

文章選用餾程中的初餾點、終餾點和10%、30%、50%、70%、90%、95%餾出點溫度以及回收體積等9個影響因子作為輸入變量，加氫產物的凝點作為輸出變量，參與模型構建。

1.2 最小二乘支持向量機

支持向量機是Vapnik等人提出的一種基于統計學習理論與結構風險最小化原理的機器學習方法。2001年，Suykens在支持向量機基礎上，提出了最小二乘支持向量機，解決了支持向量機二次規劃難題，加快了求解速度。

對于非線性回歸問題，假設n個d維的訓練樣本為(xi,yi)，其中，為第i個樣本輸入，為第i個樣本的期望輸出。構造非線性回歸函數f(x)，求解樣本x的預測值：

式中：bω和為算法參數，φ(x)為x的非線性映射。

將上述回歸問題轉化為下面具有約束條件的二次優化問題：

約束條件 ：

式中：ξi為第i個樣本預測值與真實值間的誤差；γ為正則化參數。為了求解優化問題，引入拉格朗日函數，將約束優化問題轉化為無約束優化問題，得到如下線性方程組：

式中：σ為核寬度。根據(4)式，用最小二乘法求解a與b，從而得到算法的預測輸出：

可見，核寬度σ和正則化參數γ是最小二乘支持向量機的兩個重要參數，它們的選取直接影響著算法的學習能力和泛化性能。傳統的試湊法通過人為經驗確定LSSVM的參數，網格法精度和速度受制于參數取值范圍。采用粒子群算法、蟻群算法等群智能算法優化選擇LSSVM參數成為近年來研究熱點。

1.3 自適應量子粒子群(AQPSO)算法

近年來，量子粒子群算法作為一種新穎的群智能算法，應用廣泛。借鑒量子力學原理，在量子空間中，粒子在空間中某一點出現的概率密度用波函數模的平方表示，概率密度函數通過求解薛定諤方程得到，再通過蒙特卡羅隨機模擬得到量子空間中粒子的位置方程，其形式如下：

通過(7)式，可以得到上一代粒子的個體最優位置P(t)和群體最優位置G(t)之間的隨機位置p(t)。(7)式中：φ為區間(0,1)的隨機數。通過(8)式，得到全體粒子個體最優位置的平均值C(t)。(9)式中：α為收縮擴張因子，其性能直接影響算法的收斂性；it為當前迭代次數，itmax為最大迭代次數。(10)式中：X(t+1)為粒子的當前位置，其中，正負號由位于區間(0，1)間的隨機數u決定，當隨機數u(t)≥0.5時，取負號，當0＜u(t)＜0.5時，取正號。自適應量子粒子群算法，對(9)式中線性遞減的收縮擴張因子進行改進，采用改進的自適應收縮擴張因子，通過引入粒子進化度和聚合度，動態調節算法的多樣性和集中性，改善算法性能，避免早熟趨勢。自適應收縮擴張因子的形式如下：

式中：a0,c1,c2為控制常數，通常取值為0.9，0.5，0.1；de,dp為粒子進化度和聚合度控制因子。

將樣本的預測值與實測值的均方差作為自適應量子粒子群算法的適應度函數，其定義形式為：

式中：y為樣本的實測值；為樣本的預測值。

1.4 預測模型的建立

采用傳統儀器測定煤焦油加氫產物的凝點，測量過程較為復雜、耗時較長，在生產中煤焦油加氫裝置可直接通過在線儀表的溫度顯示，運用預測模型將凝點指標迅速調到最佳，否則生產裝置調整時間較長，將產生比較多的不合格產品。因此，構建AQPSOLSSVM凝點預測模型，實現工程中的在線預測，顯得尤為必要。

2 模型分析與比較

為比較AQPSO-LSSVM模型的有效性，在相同的訓練樣本數據和測試樣本數據情況下，采用粒子群(PSO)優化的LSSVM模型和AQPSO-LSSVM模型進行凝點預測。用AQPSO算法優化最小二乘支持向量機的參數，得到核寬度σ為132.507 1，正則化參數γ為128.089 9。在此基礎上，對剩余的70例測試樣本進行仿真預測，得到AQPSO-LSSVM模型的最優適應度值(均方差)為3.801 7，低于PSO-LSSVM模型的最優適應度值3.802 0。因此，AQPSO-LSSVM模型的預測精度更高。相關系數是研究數據之間線性相關程度的重要統計指標，相關系數的值越接近1，表明兩組數據的線性相關性越強。采用AQPSO-LSSVM模型仿真，預測值與實測值的相關系數值均為0.958 35，高于采用PSO-LSSVM算法模型得到的相關系數值0.951 34。由此可見，采用AQPSOLSSVM模型，凝點預測值與實測值最接近。采用AQPSO-LSSVM模型，得到的凝點預測值誤差小。進一步對測試樣本的實測值和預測值進行數據統計分析，AQPSO-LSSVM模型的預測值與實測值的誤差絕對值求平均得到結果為1.555，誤差絕對值的標準差為1.258 8，誤差絕對值低于4 ℃的測試樣本占95.71%，按照GB 510—83石油產品凝點測定標準，不同實驗室測定結果的誤差不超過4 ℃，表明算法具有較大的實用性和有效性。

3 結語

文章根據煤焦油加氫項目得到產物餾程數據和凝點數據，建立了基于自適應量子粒子群優化最小二乘支持向量機(AQPSO-LSSVM)的煤焦油加氫產物凝點預測模型。將仿真結果和粒子群結合LSSVM的方法進行比較，AQPSO-LSSVM模型收斂速度快，預測的速度和精度均優于所比較的PSOLSSVM方法。AQPSO-LSSVM預測模型的構建不僅有助于煤焦油加氫項目設計，而且對煤焦油加氫產物的生產工藝有參考作用。這對于石化產品生產企業，降低成本，實現工業智能化有重要的應用價值。也可將此模型引入全自動餾程測定儀中用以測定樣品凝點，減少工作量。