SKPCA⁃LSSVM模型在汽油干点预测中的应用

doi:10.3969/j.issn.1672-6952.2022.03.013

辽宁石油化工大学学报 ›› 2022, Vol. 42 ›› Issue (3): 74-78.DOI: 10.3969/j.issn.1672-6952.2022.03.013

SKPCA⁃LSSVM模型在汽油干点预测中的应用

郭丽莹(), 李文娜(), 郎宪明

辽宁石油化工大学信息与控制工程学院，辽宁抚顺 113001

收稿日期:2021-03-15 修回日期:2022-05-19 出版日期:2022-06-25 发布日期:2022-07-18
通讯作者: 李文娜
作者简介:郭丽莹（1996⁃），女，硕士研究生，从事软测量技术原理与应用研究；E⁃mail：guoliying960302@126.com。
基金资助:
中国博士后科学基金项目(2020M660125);辽宁省博士科研启动基金计划项目(2019?BS?158);辽宁省教育厅项目(L2020017);辽宁石油化工大学引进人才科研启动基金项目(2019XHHL?008)

Application of SKPCA⁃LSSVM Model in Gasoline Dry Point Prediction

Liying Guo(), Wenna Li(), Xianming Lang

School of Information and Control Engineering，Liaoning Petrochemical University，Fushun Liaoning 113001，China

Received:2021-03-15 Revised:2022-05-19 Published:2022-06-25 Online:2022-07-18
Contact: Wenna Li

摘要/Abstract

摘要：

常压塔塔顶汽油干点与产品质量密切相关，因为常减压蒸馏工艺流程和变量相关性均复杂，所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想，采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择，实现了数据的非线性降维，简化了主元结构，增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入，建立常压塔塔顶干点软测量预测模型。仿真结果表明，SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。

关键词: 软测量, 核主元分析, 稀疏核主元分析, 最小二乘支持向量机, 汽油干点

Abstract:

The dry point of gasoline on the top of atmospheric tower is closely related to product quality, but it is difficult to measure the gasoline dry point online, and the soft sensor is a technical way to solve the estimation and control prediction of such variables. Due to the complexity of atmospheric and vacuum distillation process, the correlation between the variables increases. In this paper, sparse principal component analysis (SPCA) was introduced into kernel principal component analysis（KPCA） algorithm, and the input variables of the model were selected by sparse kernel principal component analysis（SKPCA） algorithm. The nonlinear dimensionality reduction between data was realized, the principal component structure was simplified, and the sparsity of principal component variables was increased. The selected sparse principal components were used as the input of the least squares support vector machine (LSSVM), and the soft sensor prediction model for the top dry point of atmospheric tower was established. The simulation results show that the SKPCA?LSSVM model has higher prediction accuracy and superior model performance compared with the traditional PCA?LSSVM and KPCA?LSSVM methods.

Key words: Soft sensor, Kernel principal component analysis, Sparse kernel principal component analysis, Least squares support vector machines, Dry point of gasoline

中图分类号:

TE624

郭丽莹, 李文娜, 郎宪明. SKPCA⁃LSSVM模型在汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2022, 42(3): 74-78.

Liying Guo, Wenna Li, Xianming Lang. Application of SKPCA⁃LSSVM Model in Gasoline Dry Point Prediction[J]. Journal of Liaoning Petrochemical University, 2022, 42(3): 74-78.

图/表 4

参考文献 21

1	俞金寿.软测量技术在石油化工中的应用［J］.石油化工，2000，29（3）：221⁃226.
2	Vapnik V N. The nature of statistical lLearning theory ［M］.New York：Springer⁃Verlag，1995.
3	Rumelhart D， Hinton G， Williams R. Learning representations by back propagatingerrors［J］. Nature， 1986， 323（6088）：533⁃536.
4	李悦卿. 基于神经网络和最小二乘支持向量机的软测量技术应用研究［D］.青岛：青岛科技大学，2007.
5	李悦卿，金思毅，陶少辉，等.最小二乘支持向量机用于常压塔汽油干点的软测量［J］.计算机与应用化学，2008（8）：928⁃930.
6	王强，田学民.基于KPCA⁃LSSVM的软测量建模方法［J］.化工学报，2011，62（10）：2813⁃2817.
7	Suykens J， Lukas L， Vandewalle J. Sparse least squares support vector machine classifiers［C］// ESANN 2000， 8th European Symposium on Artificial Neural Networks， Bruges：［s.n.］，2000.
8	Kruif B， Vries T J A D. Pruning error minimization in least squares support vector machines［J］. IEEE Transactions on Neural Networks， 2003， 14（3）：696⁃702.
9	Zeng X， Chen X W.SMO⁃based pruning， methods for sparse least squares support vector machines［J］.IEEE Transactions on Neural Networks，2005，16（6）：1541⁃1546.
10	Kuh A，Wilde P D. Comments on "Pruning error minimization in least squares support vector machines"［J］. IEEE Transactions on Neural Networks，2007，18（2）：606⁃609.
11	余正涛，邹俊杰，赵兴，等.基于主动学习的最小二乘支持向量机稀疏化［J］.南京理工大学学报，2012，36（1）：12⁃17.
12	黄德先，江永亨，金以慧.炼油工业过程控制的研究现状、问题与展望［J］.自动化学报，2017，43（6）：902⁃916.
13	Wu J N， Wang J， Liu L. Feature extraction via KPCA for classification of gait patterns［J］. Human Movement Science， 2007， 26（3）：393⁃411.
14	彭丽.基于稀疏主成分分析的股票投资组合研究［D］.成都：西南财经大学，2014.
15	喻胜华，张新波.稀疏主成分在综合评价中的应用［J］.财经理论与实践，2009，30（5）：106⁃109.
16	段怡雍. 基于稀疏主元分析的故障检测研究［D］.杭州：浙江理工大学，2019.
17	楼志挺，李春祥.基于空间多点输入的LSSVM非高斯风压预测［J］.上海大学学报（自然科学版），2019，25（6）：1013⁃1022.
18	孙斌，姚海涛.基于PSO优化LSSVM的短期风速预测［J］.电力系统保护与控制，2012，40（5）：85⁃89.
19	Zou H.The adaptive lasso and its oracle properties［J］. Publications of the American Statistical Association， 2006， 101（476）：1418⁃1429.
20	Zou H， Tibshirani H R. Sparse principal component analysis［J］. Journal of Computational and Graphical Stats， 2006， 15（2）：1⁃30.
21	潘立登，李大宇，马俊英，等.软测量技术原理及应用［M］.北京：中国电力出版社，2009.

序号	变量	序号	变量
1	进料温度	8	常一线抽出温度
2	常压塔塔顶温度	9	常二线抽出温度
3	常压塔塔顶压力	10	常三线抽出温度
4	常顶回流罐液控	11	塔底温度
5	常顶回流罐油水界控	12	常一中流控
6	油气空冷器出口温度	13	常二中回流流量
7	常压炉出口温度	14	塔顶回流油流控

序号	变量	序号	变量
1	进料温度	8	常一线抽出温度
2	常压塔塔顶温度	9	常二线抽出温度
3	常压塔塔顶压力	10	常三线抽出温度
4	常顶回流罐液控	11	塔底温度
5	常顶回流罐油水界控	12	常一中流控
6	油气空冷器出口温度	13	常二中回流流量
7	常压炉出口温度	14	塔顶回流油流控

主成分	贡献率
主成分	PCA	KPCA	SKPCA
累计贡献率	0.861 5	0.860 6	0.888 8
1	0.269 7	0.269 4	0.412 1
2	0.194 5	0.194 3	0.223 0
3	0.146 8	0.146 7	0.124 3
4	0.107 5	0.107 4	0.107 6
5	0.086 6	0.086 5	0.043 9
6	0.056 4	0.056 3	0.017 9

主成分	贡献率
主成分	PCA	KPCA	SKPCA
累计贡献率	0.861 5	0.860 6	0.888 8
1	0.269 7	0.269 4	0.412 1
2	0.194 5	0.194 3	0.223 0
3	0.146 8	0.146 7	0.124 3
4	0.107 5	0.107 4	0.107 6
5	0.086 6	0.086 5	0.043 9
6	0.056 4	0.056 3	0.017 9

模型	MAE	RMSE
PCA⁃LSSVM	0.519 6	0.908 9
KPCA⁃LSSVM	0.466 8	0.582 8
SKPCA⁃LSSVM	0.401 7	0.489 2

SKPCA⁃LSSVM模型在汽油干点预测中的应用

Application of SKPCA⁃LSSVM Model in Gasoline Dry Point Prediction

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 21

相关文章 3

编辑推荐

Metrics

[1]	崔俊勇, 李奇安. 改进WLSSVM模型在汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2023, 43(1): 67-72.
[2]	郭丽莹, 郎宪明. KPCA⁃GPR模型在常压塔塔顶汽油干点预测中的应用[J]. 辽宁石油化工大学学报, 2022, 42(6): 73-77.
[3]	罗林,赵强. 加氢裂化过程软测量建模研究综述[J]. 辽宁石油化工大学学报, 2018, 38(1): 66-73.