改进WLSSVM模型在汽油干点预测中的应用

doi:doi:10.12422/j.issn.1672-6952.2023.01.012

辽宁石油化工大学学报 ›› 2023, Vol. 43 ›› Issue (1): 67-72.DOI: doi:10.12422/j.issn.1672-6952.2023.01.012

改进WLSSVM模型在汽油干点预测中的应用

崔俊勇(), 李奇安()

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:2021-07-16 修回日期:2021-09-17 出版日期:2023-02-25 发布日期:2023-03-13
通讯作者: 李奇安
作者简介:崔俊勇（1996⁃），男，硕士研究生，从事软测量技术原理与应用研究；E⁃mail：cuijunyong2021@163.com。
基金资助:
辽宁省教育厅一般项目(L2020019)

Application of Improved WLSSVM Model in the Prediction of Gasoline Dry Point at the Top of Atmospheric Towe

Junyong Cui(), Qi′an Li()

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

Received:2021-07-16 Revised:2021-09-17 Published:2023-02-25 Online:2023-03-13
Contact: Qi′an Li

摘要/Abstract

摘要：

汽油干点难以实时测量，需要通过大量的数据样本对各段油品的质量进行检验。为了解决此问题，通过建立软测量模型进行预测控制。最小二乘支持向量机（LSSVM）模型对异常点过于敏感，容易影响预测精度。通过建立加权最小二乘支持向量机（WLSSVM）模型，对拟合误差进行加权处理，削弱了异常点对模型的影响，提高了模型的抗干扰能力。将改进后的加权最小二乘支持向量机（IWLSSVM）模型应用于汽油干点的预测。结果表明，IWLSSVM模型的最大绝对误差比LSSVM模型降低了11.65%，其预测性能和鲁棒性具有明显的优势。

关键词: 汽油干点, 最小二乘支持向量机, 权值分布

Abstract:

The dry point of gasoline is difficult to be measured in real time. A large number of data samples need to be extracted to test the quality of each section of the oil. In order to solve this problem, predictive control was carried out by establishing a soft sensor model. The least squares support vector machine model is too sensitive to outliers, which is easy to affect the prediction accuracy. By establishing the weighted least squares support vector machine model (WLSSVM), the fitting error is weighted, which weakens the influence of outliers on the model and improves the anti?interference ability of the model. The improved WLSSVM was applied to the prediction of gasoline dry point. The results show that the maximum absolute error of the improved WLSSVM is 11.65% lower than that of the least squares support vector machine model, and its prediction performance and robustness have obvious advantages.

Key words: Gasoline dry point, Least squares support vector machine, Weight distribution

中图分类号:

TE624

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.

Junyong Cui, Qi′an Li. Application of Improved WLSSVM Model in the Prediction of Gasoline Dry Point at the Top of Atmospheric Towe[J]. Journal of Liaoning Petrochemical University, 2023, 43(1): 67-72.

图/表 11

图1 文献[7]算法的样本误差分布图

图2 文献[12]算法的样本误差分布图

图3 IWLSSVM样本误差分布图

图4 实际数据和基于3种建模方法的预测结果

图5 文献[12]WLSSVM和IWLSSVM的训练样本权值分布

表1 不同模型测试函数预测结果

模型	$C$	$σ$	MSE	MAE	MAXE
LSSVM	100	1	0.036	0.135	0.474
文献[12]WLSSVM	100	1	0.004	0.047	0.168
IWLSSVM	100	1	0.002	0.029	0.114

表1 不同模型测试函数预测结果

模型	$C$	$σ$	MSE	MAE	MAXE
LSSVM	100	1	0.036	0.135	0.474
文献[12]WLSSVM	100	1	0.004	0.047	0.168
IWLSSVM	100	1	0.002	0.029	0.114

图6 基于IWLSSVM模型的汽油干点预测仿真实现流程

表2 辅助变量

序号	辅助变量	序号	辅助变量	序号	辅助变量
1	常压炉出口温度	6	常压塔塔顶回流油流量	11	常压塔常二中回流流量
2	常压塔塔顶压力	7	常一线抽出油温度	12	常顶油气空冷器出口温度
3	常压塔顶回流罐油水界位	8	常二线抽出温度	13	进料温度
4	塔底温度	9	常三线抽出油温度
5	塔底出口温度	10	塔顶温度

图7 汽油干点训练、测试数据预测结果

图8 汽油干点权值分布对比结果

表3 对汽油干点预测的评价结果

模型	$C$	$σ$	MSE	MAE	MAXE
LSSVM	145	2.8	1.822	1.092	3.158
文献[7]WLSSVM	145	2.8	2.240	1.168	4.657
文献[12]WLSSVM	145	2.8	1.586	1.020	2.844
IWLSSVM	145	2.8	1.571	1.018	2.790

表3 对汽油干点预测的评价结果

模型	$C$	$σ$	MSE	MAE	MAXE
LSSVM	145	2.8	1.822	1.092	3.158
文献[7]WLSSVM	145	2.8	2.240	1.168	4.657
文献[12]WLSSVM	145	2.8	1.586	1.020	2.844
IWLSSVM	145	2.8	1.571	1.018	2.790

参考文献 14

1	Xu X， Liu Q， Ding J. Gasoline dry point prediction of fractionation processes using dynamic inner partial least squares［C］// 2017 11th Asian Control Conference （ASCC）. Queensland： IEEE， 2017.
2	陶少辉，史书阳，刘猛，等.LS⁃SVM模型在线校正的替代法及其软测量应用［J］.化工自动化及仪表，2010，37（8）：15⁃18.
3	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.
4	王改堂，李平，苏成利.基于多K最近邻回归算法的软测量模型［J］.信息与控制，2011，40（5）：639⁃645.
5	孙兰兰.变尺度粒子群算法及其在工业软测量中的应用［J］.计算机与应用化学，2012，29（5）：571⁃574.
6	赵连彬，苏成利.双核函数最小二乘支持向量机汽油干点软测量建模［J］.石油化工高等学校学报，2013，26（3）：74⁃78.
7	Suykens J A K， Brabanter J D， Lukas L， et al. Weighted least squares support vector machines： Robustness and sparse approximation［J］. Neurocomputing， 2002， 48（1⁃4）：85⁃105.
8	常学川，杨少沛，杨东芳. 应用加权LSSVM算法的PVC气提塔温度建模［J］. 塑料科技， 2020，48（4）： 74⁃77.
9	Li S Z，Liu X，Gang Y. Supervisory predictive control of weighted least square support vector machine based on Cauchy distribution［C］ // The 26th Chinese Control and Decision Conference （2014 CCDC）. Changsha：IEEE，2014.
10	赵超，戴坤成.基于自适应加权最小二乘支持向量机的短期电力负荷预测［J］.信息与控制，2015，44（5）：634⁃640.
11	Cui W， Yan X. Adaptive weighted least square support vector machine regression integrated with outlier detection and its application in QSAR［J］. Chemometrics & Intelligent Laboratory Systems， 2009， 98（2）：130⁃135.
12	陶莉莉，钟伟民，罗娜，等.基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用［J］.化工学报，2012，63（12）：3943⁃3950.
13	秦文静，樊贵盛.基于粒子群优化算法⁃支持向量机的原状黄土Van Genuchten模型参数土壤传输函数［J］.干旱区资源与环境，2020，34（11）：132⁃137.
14	杨婧，辛明勇，欧家祥，等.基于拉依达准则的计量自动化系统数据准确性判断方法［J］.电力大数据，2017，20（11）：74⁃78.

[1]	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.
[2]	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.

改进WLSSVM模型在汽油干点预测中的应用

Application of Improved WLSSVM Model in the Prediction of Gasoline Dry Point at the Top of Atmospheric Towe

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 14

相关文章 2

编辑推荐

Metrics