GA-SVM 模型在煤質(zhì)分析中的應(yīng)用

杜寧，黃喜軍，肖洪

GA-SVM 模型在煤質(zhì)分析中的應(yīng)用

杜寧，黃喜軍，肖洪

利用支持向量機(jī)建立工業(yè)分析與元素分析的轉(zhuǎn)化模型, 并采用遺傳算法對工況進(jìn)行參數(shù)尋優(yōu)（即GA-SVM模型），為燃燒提供了更好的指導(dǎo)。實(shí)驗(yàn)結(jié)果表明，模型具有更高的預(yù)測精度，且適用于更寬的煤質(zhì)范圍，研究成果具有一定理論意義和應(yīng)用價值。

煤質(zhì)；工業(yè)分析；元素分析；支持向量機(jī)（SVM）；遺傳算法(GA)

0 引言

煤的元素分析為研究煤的燃燒提供基本數(shù)據(jù)，是指導(dǎo)燃煤鍋爐合理燃燒的前提，但煤的元素分析實(shí)驗(yàn)項(xiàng)目多，時間長，操作復(fù)雜，對化驗(yàn)人員要求高，其開展收到極大限制，通常電站無力開展此項(xiàng)研究，而煤的工業(yè)分析實(shí)驗(yàn)較簡單，電站可自行測定[1]。所以，如何建立煤的元素分析與工業(yè)分析之間的相互轉(zhuǎn)化模型，就顯得尤為重要。

目前，在利用工業(yè)分析預(yù)測元素分析方面，傳統(tǒng)方法是采用回歸分析方法將元素分析與工業(yè)分析相關(guān)聯(lián)，但是，元素分析與工業(yè)分析存在著復(fù)雜的非線性關(guān)系。傳統(tǒng)方法只是兩者之間的多元線性相關(guān)，對于特定的煤種，單煤種效果較好，對于寬范圍的煤種和混煤，只是粗略的估算。對于非線性方法應(yīng)用，大都是采用神經(jīng)網(wǎng)絡(luò)建立元素分析與工業(yè)分析之間的非線性關(guān)系,支持向量機(jī)（SVM）是當(dāng)前應(yīng)用比較廣泛的非線性預(yù)測建模工具，與人工神經(jīng)網(wǎng)絡(luò)方法相比，支持向量機(jī)模型的預(yù)測精度更高，速度更快[2]。本文提出利用基于遺傳算法（GA）優(yōu)化的支持向量機(jī)（SVM）方法來建立煤質(zhì)工業(yè)分析與元素分析之間的預(yù)測模型。

1 支持向量機(jī)回歸算法與遺傳算法

1.1 支持向量機(jī)回歸算法

支持向量機(jī)回歸算法的基本思想是通過一個非線性映射將輸入向量映射到高維特征空間，并在該空間進(jìn)行線性回歸[3]。ε-SVR是Napkin等人提出的一種最常用的支持向量機(jī)回歸算法，由于引入ε-（不敏感損失函數(shù)）使SVM從分類領(lǐng)域推廣到回歸領(lǐng)域；通過引入懲罰系數(shù)C實(shí)現(xiàn)算法結(jié)構(gòu)風(fēng)險最小化原則；引入核函數(shù)可以解決由于維數(shù)變大帶來的維數(shù)災(zāi)難，這樣就可以把選擇非線性映射轉(zhuǎn)化成選擇核函數(shù)，最后轉(zhuǎn)化為求解凸二次優(yōu)化問題，且能保證找到的極值解就是全局的最優(yōu)解。

1.2 遺傳算法

遺傳算法是由美國Michigan大學(xué)Holland教授于1975年首先提出的[4]。它是模仿自然界生物進(jìn)化機(jī)制發(fā)展起來的隨機(jī)全局搜索和優(yōu)化方法，借鑒了達(dá)爾文的進(jìn)化論和孟德爾的遺傳學(xué)說。主要步驟包括編碼、種群初始化、選擇、交叉和變異。其本質(zhì)是一種高效、并行、全局搜索的方法，他能在搜索過程中自動獲取和累積有關(guān)搜索空間的知識，并自適應(yīng)地控制搜索過程以求得最優(yōu)解。遺傳算法的一個顯著優(yōu)勢是不需要目標(biāo)函數(shù)明確的數(shù)學(xué)方程和倒數(shù)表達(dá)式，同時，又是一種全局尋優(yōu)算法，不像某些傳統(tǒng)算法易于陷入局部最優(yōu)解，尋優(yōu)的效率高，速度快[5]。

1.3 基于GA的SVM參數(shù)優(yōu)化法

1.3.1 核函數(shù)的選擇

在支持向量機(jī)回歸算法中，核函數(shù)的選擇對回歸分析有很大的影響，但是，目前對于如何選擇核函數(shù)還沒有成熟的理論指導(dǎo)，常用的核函數(shù)有：徑向基核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)、線性核函數(shù)等。文獻(xiàn)[6]研究認(rèn)為徑向基核函數(shù)比線性核函數(shù)好，在選擇了徑向基核函數(shù)后就沒必要再考慮線性核函數(shù)；文獻(xiàn)[7]認(rèn)為Sigmoid核函數(shù)精度沒有徑向基核函數(shù)高，而且，不是完全正定的，在滿足一定條件后它才能成為有效的核函數(shù)，一般情況下Sigmoid核函數(shù)不比徑向基核函數(shù)好；多項(xiàng)式核函數(shù)當(dāng)其階次較高時會導(dǎo)致數(shù)值計算困難，耗費(fèi)大量資源和時間[8]。因此，本文在建模時選擇徑向基核函數(shù)

1.3.2 支持向量機(jī)三參數(shù)尋優(yōu)

采用徑向基核函數(shù)后，支持向量機(jī)模型中有3個重要參數(shù)，分別是核函數(shù)的參數(shù)σ，懲罰參數(shù)C，不敏感損失函數(shù)系數(shù)ε。核函數(shù)的參數(shù)σ影響樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度；懲罰參數(shù)C越大，過擬合現(xiàn)象就越明顯，C越小，欠擬合現(xiàn)象就越明顯，參數(shù)C影響算法復(fù)雜度，避免過擬合；置信區(qū)間的寬度是由不敏感損失函數(shù)系數(shù)ε的大小來決定的，可以反映函數(shù)擬合的精度，起到調(diào)節(jié)模型復(fù)雜度和逼近精度作用。這3個參數(shù)將影響SVM模型的泛化能力和收斂速度。利用GA算法對支持向量機(jī)這3個參數(shù)進(jìn)行尋優(yōu)，適應(yīng)度函數(shù)設(shè)置為目標(biāo)輸出值的5-fold交叉驗(yàn)證誤差，尋優(yōu)步驟如圖1所示：

圖1 支持向量機(jī)三參數(shù)尋優(yōu)流程圖

2 煤質(zhì)分析的GA-SVM模型

2.1 煤質(zhì)數(shù)據(jù)分析

文獻(xiàn)[9]認(rèn)為：門捷列夫經(jīng)驗(yàn)公式利用煤的元素分析對其熱值進(jìn)行估算，同一種煤發(fā)熱量用實(shí)驗(yàn)測量值和經(jīng)驗(yàn)公式計算值之間的誤差一般不超過3%～4%，所以，如果誤差超過4%，就認(rèn)為該煤質(zhì)數(shù)據(jù)分析不可靠，予以剔除，最后，從186煤質(zhì)數(shù)據(jù)中挑選出154個有效數(shù)據(jù)，這些媒質(zhì)數(shù)據(jù)包括煤的工業(yè)分析、元素分析、干燥無灰基高位發(fā)熱量、收到基的低位發(fā)熱量和煤的種類。隨機(jī)選擇有效樣本中的124個樣本作為訓(xùn)練樣本，剩下的30個樣本作為測試樣本，訓(xùn)練樣本和測試樣本都包括了較大范圍的貧煤、煙煤和褐煤，煤的分類如表1所示：

表1 煤樣分類

在建模前要對數(shù)據(jù)樣本進(jìn)行[0～1]歸一化處理，提高預(yù)測精度。

2.2 基于GA-SVM方法的預(yù)測建模

本文利用GA-SVM建立以下4種煤質(zhì)工業(yè)分析與元素分析的轉(zhuǎn)化模型：

（1）建立預(yù)測收到基Har元素的計算模型（輸入為參數(shù)為煤質(zhì)低位發(fā)熱量Qar,net、收到基水分Mar、收到基碳含量Car、收到基氧含量Oar、收到基灰分含量Aar，輸出為收到基氫含量Har）；

（2）建立預(yù)測揮發(fā)分干燥無灰基Vdaf的計算模型（輸入?yún)?shù)為煤質(zhì)低位發(fā)熱量Qar,net、收到基水分Mar、收到基灰分含量Aar、收到基碳含量Car、收到基氫含量Har、收到基氧含量Oar、收到基氮含量Nar、收到基硫含量Sar，輸出為揮發(fā)分Vdaf）；

（3）建立預(yù)測收到基碳元素Car的計算模型（輸入?yún)?shù)為煤質(zhì)低位發(fā)熱量Qar,net、收到基固定碳含量FCar、收到基灰分含量Aar、收到基揮發(fā)分含量Var，輸出參數(shù)為收到基碳元素含量Car）；

（4）建立預(yù)測干燥無灰基碳元素Cdaf的計算模型（干燥無灰基高位發(fā)熱量Qar,gr、干燥無灰基固定碳含量FCdaf、干燥無灰基揮發(fā)分含量Vdaf、干燥無灰基氫元素含量Hdaf、干燥無灰基硫元素含量Sdaf，輸出參數(shù)為干燥無灰基碳元素含量Cdaf）。

在建模過程中，設(shè)核函數(shù)的參數(shù)σ，懲罰參數(shù)C，不敏感損失函數(shù)系數(shù)ε尋優(yōu)區(qū)間分別為（0～100）（0～100）（0～1）。遺傳算法種群數(shù)目為20，交叉率為0.9，變異率0.01，最大迭代次數(shù)為200，適應(yīng)度函數(shù)值為目標(biāo)輸出的5-fold交叉驗(yàn)證誤差。在Matlab的環(huán)境下，4種模型的參數(shù)尋優(yōu)結(jié)果如表2所示：

表2 四種模型的參數(shù)尋優(yōu)結(jié)果

預(yù)測結(jié)果如圖2所示：

圖2 四種模型的預(yù)測結(jié)果

2.3 誤差分析

本文以均方根誤差（RMSE）、平均相對誤差（MRE）和線性相關(guān)系數(shù)r作為誤差分析指標(biāo)，將基于遺傳算法的支持向量機(jī)模型（GA-SVM）與傳統(tǒng)的基于網(wǎng)格搜索法的支持向量機(jī)模型(Grid-SVM)作對比，誤差分析結(jié)果如下：

均方根誤差（RMSE）是檢驗(yàn)?zāi)Ｐ头夯芰Φ闹匾笜?biāo)。均方根誤差越小，模型的泛化能力越強(qiáng)，反之，模型的泛化能力就越弱。，GA-SVM模型的RMSE均小于Grid-SVM模型。所以GA-SVM模型的泛化能力強(qiáng)如表3所示：

表3 兩種模型的誤差對比表

平均相對誤差（MRE）是評價模型誤差大小的重要指標(biāo)之一，相對誤差越大，說明模型整體誤差比較大，預(yù)測精度不高；反之，預(yù)測精度就比較差。從表3可以看出，GA-SVM模型的MRE均小于Grid-SVM模型。所以GA-SVM模型的預(yù)測精度高。

線性相關(guān)系數(shù)r是用來衡量兩個變量之間線性相關(guān)關(guān)系的指標(biāo),當(dāng)0＜|r|＜1時，表示兩變量存在一定程度的線性相關(guān)。表示兩變量的線性相關(guān)越弱，一般可按3級劃分：|r|＜0.4為低度線性相關(guān)；0.4≤|r|＜0.7為顯著性相關(guān)；0.7≤|r|＜1為高度線性相關(guān)[10]。從表3可以看出，GA-SVM模型的線性相關(guān)性為顯著相關(guān)，并且GA-SVM模型的線性相關(guān)性均強(qiáng)于Grid-SVM模型。

3 總結(jié)

從總體來看，線性相關(guān)系數(shù)越大，均方根誤差與平均誤差越小，說明模型的預(yù)測精度越高，從以上分析得出GA-SVM模型在預(yù)測精度上整體高于Grid-SVM模型。煤質(zhì)包含了較大范圍的貧煤、煙煤和褐煤，因此說GA-SVM模型還具有一定的通用性。

[1] 曹子棟.鍋爐測試技術(shù)[M].西安：西安交通大學(xué)出版社，1995:1-20.

[2] 趙虹,沈利,楊建國,楊麗蓉,徐洪明. 利用煤的工業(yè)分析計算元素分析的DE-SVM模型[J]. 煤炭學(xué)報,2010,10:1721-1724.

[3] GB /T 476一2001,煤的元素分析方法[S].

[4] 趙義武，牛慶銀，王憲成.遺傳算法與蟻群算法的融合研究[J].科學(xué)技術(shù)與工程.2010.10（16）：4017-4020.

[5] Z.米凱利維茨.演化程序[M].周家駒，何險峰，譯北京科學(xué)出版社，2000.

[6] keerthi K,Lin C J. Asymptotic behaviors of support vector machines with Gaussian kernel[J]·Neural Computation，2003，153(3):1GG7-1689.

[7] Lin H T, Lin C J. A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods[EB]. March 2003, http:/www.csie.ntu. edu. Tw/～cilin/papers.Html.

[8] 王春林,周昊,李國能,邱坤贊,岑可法. 基于支持向量機(jī)與遺傳算法的灰熔點(diǎn)預(yù)測[J]. 中國電機(jī)工程學(xué)報,2007,08:11-15.

[9] 葉江明.電廠鍋爐原理及設(shè)備[M].北京：中國電力出版社，2003:18-19.

[10] 王麗莉,李林侗,任雪等.基于房屋普查數(shù)據(jù)的房屋增長規(guī)律研究[J]. 防災(zāi)減災(zāi)報,2013,(3):9-12.DOI:10

The Research on the Application of Ga-Svm Model in Analysis of Coal Quality

Du Ning, Huang Xijun, Xiao Hong
(Institute of Mechanical and Electrical Engineering , Hohai University,Jiangsu Changzhou 213022)

Using genetic algorithm to search the optimum solution of the SVM model which was used to set up the transformation model (GA-SVM model) of industrial analysis and elemental analysis, so as to provide better guidance for combustion. The results show that, the model performs higher prediction accuracy and faster computing speed, and is suitable for a wider range of coal quality. Research results have certain theoretical significance and application value.

Coal Quality; Industrial Analysis; Elemental Analysis; Support Vector Machine; Genetic Algorithm

TP273

A

2014.07.10）

全國大學(xué)生創(chuàng)新訓(xùn)練計劃（201310294041x）

杜 寧（1991-），男，陜西，河海大學(xué)機(jī)電工程學(xué)院，碩士，研究方向：熱能與動力工程，常州，213022

黃喜軍（1991-），男，廣西，河海大學(xué)機(jī)電工程學(xué)院，本科，研究方向：熱能與動力工程，常州，213022

肖 洪（1968-），女，常州，河海大學(xué)機(jī)電工程學(xué)院，副教授，碩士，研究方向：太陽能熱發(fā)電、新能源與可再生能源的應(yīng)用，常州，213022

1007-757X(2014)08-0049-03