任 偉 牛玉霞

(南通科技職業(yè)學(xué)院 江蘇 南通 226007)

0 引 言

中國(guó)制造業(yè)的發(fā)展在全世界屈指可數(shù)，擁有很多大規(guī)模的制造業(yè)園區(qū)，生產(chǎn)流程都設(shè)在園區(qū)內(nèi)，而且大多數(shù)的制造業(yè)園區(qū)都會(huì)存在VOCs的治理問(wèn)題[1]。從當(dāng)前工業(yè)源的排放狀態(tài)來(lái)看，園區(qū)內(nèi)的VOCs排放量占據(jù)了一半以上，由此可見(jiàn)對(duì)園區(qū)的VOCs綜合整治將是未來(lái)國(guó)內(nèi)實(shí)現(xiàn)VOCs減排的必然發(fā)展趨勢(shì)[2-4]。工業(yè)園區(qū)的VOCs泄露問(wèn)題不單單會(huì)對(duì)環(huán)境造成很大的污染，而且還會(huì)引起多種事故，威脅人們的生活和生產(chǎn)安全[5-6]。此時(shí)，需要組建VOCs預(yù)測(cè)模型對(duì)工業(yè)園區(qū)的VOCs進(jìn)行預(yù)測(cè)，但是在對(duì)工業(yè)園區(qū)VOCs進(jìn)行實(shí)際預(yù)測(cè)過(guò)程中，相對(duì)于大多數(shù)的模型無(wú)法詳細(xì)擬合出VOCs不同狀態(tài)，致使其對(duì)工業(yè)園區(qū)VOCs預(yù)測(cè)陷入了瓶頸。在這種情況下，對(duì)工業(yè)園區(qū)VOCs預(yù)測(cè)問(wèn)題成為了制約環(huán)境治理領(lǐng)域發(fā)展的一個(gè)重要因素，引起了很多專家和學(xué)者的重視[7]。

目前，關(guān)于工業(yè)園區(qū)VOCs預(yù)測(cè)模型的研究有很多，其相對(duì)研究也出現(xiàn)了一定的成果。文獻(xiàn)[8]將馬爾柯夫鏈理論引入到對(duì)VOCs預(yù)測(cè)中，給出VOCs的狀態(tài)變化規(guī)律，由此組建工業(yè)園區(qū)VOCs預(yù)測(cè)模型。利用該模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)具有預(yù)測(cè)成本低的優(yōu)勢(shì)，但是該模型受環(huán)境干擾因素較大，無(wú)法詳細(xì)地?cái)M合出VOCs不同狀態(tài)，存在預(yù)測(cè)誤差大的問(wèn)題。文獻(xiàn)[9]利用高斯混合模型計(jì)算VOCs不同狀態(tài)的概率分布，利用高斯過(guò)程回歸預(yù)測(cè)VOCs的動(dòng)態(tài)變化軌跡，在此基礎(chǔ)構(gòu)建工業(yè)園區(qū)VOCs預(yù)測(cè)模型。該模型預(yù)測(cè)響應(yīng)性高，但是傳感器選擇不具有唯一性，輸出的參數(shù)不確定，存在擬合效果差的問(wèn)題。文獻(xiàn)[10]采集不同長(zhǎng)度的VOCs軌跡，擬合VOCs各軌跡的誤差，預(yù)測(cè)軌跡VOCs將來(lái)的變化趨勢(shì)，由此組建工業(yè)園區(qū)VOCs預(yù)測(cè)模型。該模型預(yù)測(cè)靈敏度較高，但原始權(quán)值或者閾值的隨機(jī)性容易產(chǎn)生局部最優(yōu)解的問(wèn)題。

針對(duì)上述問(wèn)題，提出了一種基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的工業(yè)園區(qū)VOCs預(yù)測(cè)模型。實(shí)驗(yàn)仿真證明，所提模型預(yù)測(cè)可靠性高，分辨力強(qiáng)，為工業(yè)園區(qū)的VOCs全面治理提供了思路。

1 建模原理

在組建工業(yè)園區(qū)VOCs預(yù)測(cè)模型過(guò)程中，通過(guò)VOCs采樣點(diǎn)的位置信息獲取VOCs狀態(tài)的原始軌跡序列，采用其中兩個(gè)不同方向的軌跡矢量定義VOCs狀態(tài)變化的軌跡數(shù)據(jù)，并用高斯函數(shù)表述VOCs的各個(gè)狀態(tài)，對(duì)VOCs狀態(tài)數(shù)據(jù)進(jìn)行聚類。定義VOCs狀態(tài)軌跡的投影矢量級(jí)，由此組建工業(yè)園區(qū)VOCs預(yù)測(cè)模型。具體的步驟如下：

(1)

對(duì)VOCs狀態(tài)空間2維平面X軸和Y軸進(jìn)行建模，利用下式通過(guò)不同方向的軌跡矢量映射軌跡數(shù)據(jù)變量:

(2)

(3)

(4)

(5)

(6)

綜上所述可以說(shuō)明，工業(yè)園區(qū)VOCs預(yù)測(cè)建模原理，利用原理組建工業(yè)園區(qū)VOCs預(yù)測(cè)模型。

2 優(yōu)化模型

2.1 拓?fù)浣Y(jié)構(gòu)的組建

為了更好地進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)，采用BP神經(jīng)網(wǎng)絡(luò)對(duì)VOCs狀態(tài)進(jìn)行泄露判斷，建立三層的神經(jīng)網(wǎng)絡(luò)，對(duì)原始VOCs狀態(tài)變化時(shí)間序列進(jìn)行自相關(guān)與偏相關(guān)分析，得到VOCs狀態(tài)變化時(shí)間序列自身存在規(guī)律。具體步驟如下詳述:

(7)

(8)

(9)

式中:(n1)代表其神經(jīng)元數(shù)量，a代表常數(shù)。

2.2 優(yōu)化模型的建立

對(duì)s(o″)代表的VOCs計(jì)量數(shù)據(jù)進(jìn)行關(guān)于泄露指標(biāo)的評(píng)價(jià)，得到p″(j)代表的評(píng)價(jià)指標(biāo)的數(shù)據(jù)集，利用下式對(duì)各個(gè)VOCs狀態(tài)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理：

(10)

(11)

式中：n″代表樣本輸入的數(shù)量，yi代表BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，mse代表均方誤差函數(shù)。

(12)

3 實(shí)驗(yàn)與仿真證明

為了證明提出的工業(yè)園區(qū)VOCs預(yù)測(cè)模型的有效性，需要進(jìn)行一次實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于2017年5月至11月監(jiān)測(cè)的某城市工業(yè)園區(qū)VOCs數(shù)據(jù)集，對(duì)該數(shù)據(jù)集進(jìn)行歸一化處理，選取60%處理后的數(shù)據(jù)集為測(cè)試數(shù)據(jù)集，剩下的數(shù)據(jù)集為訓(xùn)練數(shù)據(jù)集，在Mat-lab7.1環(huán)境下搭建工業(yè)園區(qū)VOCs預(yù)測(cè)模型的實(shí)驗(yàn)仿真平臺(tái)。實(shí)驗(yàn)參數(shù)如表1所述。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

3.1 評(píng)價(jià)指標(biāo)的設(shè)定

在實(shí)驗(yàn)過(guò)程中，為了更好地評(píng)價(jià)基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的工業(yè)園區(qū)VOCs預(yù)測(cè)模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)性能，將實(shí)驗(yàn)分為主觀評(píng)價(jià)和客觀評(píng)價(jià)兩個(gè)不同的部分。第一個(gè)部分，以對(duì)工業(yè)園區(qū)VOCs預(yù)測(cè)的擬合優(yōu)度作為主觀評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的優(yōu)越性。第二個(gè)部分，為了更好地彰顯實(shí)驗(yàn)的全面性和公正性，將文獻(xiàn)[9]所提基于高斯混合模型作為對(duì)比模型，將VOCs狀態(tài)變化時(shí)間序列間的相關(guān)性和VOCs狀態(tài)特征波動(dòng)程度作為客觀評(píng)價(jià)指標(biāo)來(lái)評(píng)價(jià)不同模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的質(zhì)量。

(13)

(14)

(15)

3.2 擬合優(yōu)度的評(píng)價(jià)

利用提出的工業(yè)園區(qū)VOCs預(yù)測(cè)模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)實(shí)驗(yàn)，測(cè)試實(shí)際VOCs狀態(tài)和預(yù)測(cè)VOCs狀態(tài)間的擬合優(yōu)度，測(cè)試結(jié)果見(jiàn)圖1。

圖1 基工業(yè)園區(qū)VOCs預(yù)測(cè)模型擬合優(yōu)度測(cè)試

從圖1的實(shí)驗(yàn)仿真中可以分析得出，利用基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的工業(yè)園區(qū)VOCs預(yù)測(cè)模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的結(jié)果和實(shí)際的工業(yè)園區(qū)VOCs狀態(tài)較為吻合，可以說(shuō)明BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自學(xué)能力且能以任意精度逼近非線性函數(shù)，充分滿足了工業(yè)園區(qū)VOCs預(yù)測(cè)對(duì)其擬合精度的需求。

3.3 不同模型工業(yè)園區(qū)VOCs預(yù)測(cè)的質(zhì)量

分別利用基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型和文獻(xiàn)[9]所提基于高斯混合模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)實(shí)驗(yàn)，對(duì)比不同模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的VOCs狀態(tài)變化時(shí)間序列間的相關(guān)性和VOCs狀態(tài)特征波動(dòng)程度，利用對(duì)比的結(jié)果衡量不同模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的整體優(yōu)越性，對(duì)比結(jié)果見(jiàn)圖2和表2。

圖2 不同模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的自相關(guān)性

時(shí)間/月基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)模型/j'gy基于高斯混合模型/j'gy50.14.560.125.370.156.680.146.890.137.2100.077.2110.088.4

從圖2和表2的實(shí)驗(yàn)仿真結(jié)果中可以分析得出，利用基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行工業(yè)園區(qū)VOCs預(yù)測(cè)的VOCs狀態(tài)變化時(shí)間序列間的相關(guān)性要高于文獻(xiàn)[9]所提基于高斯混合模型，并且VOCs狀態(tài)特征波動(dòng)程度較低。這主要是因?yàn)榛谶z傳算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型選取了VOCs狀態(tài)污染指數(shù)樣本數(shù)據(jù)指標(biāo)，通過(guò)計(jì)算VOCs狀態(tài)污染指數(shù)個(gè)體的適應(yīng)度，將適應(yīng)度低的個(gè)體淘汰，構(gòu)建工業(yè)園區(qū)VOCs預(yù)測(cè)模型，將VOCs污染指標(biāo)的樣本數(shù)據(jù)作為模型的輸入樣本，以VOCs泄露嫌疑系數(shù)作為輸出變量，滿足了工業(yè)園區(qū)VOCs預(yù)測(cè)對(duì)其實(shí)時(shí)及連續(xù)預(yù)測(cè)需求。

4 結(jié) 語(yǔ)

針對(duì)采用當(dāng)前模型進(jìn)行工業(yè)園區(qū)VOCs 預(yù)測(cè)時(shí)，VOCs受外界因素影響較大，無(wú)法詳細(xì)描述出VOCs不同狀態(tài)，存在預(yù)測(cè)誤差大的問(wèn)題。提出一種基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的工業(yè)園區(qū)VOCs預(yù)測(cè)模型。實(shí)驗(yàn)仿真證明，所提模型預(yù)測(cè)可靠性高，分辨力強(qiáng)，為工業(yè)園的VOCs全面治理提供了思路。