CN110002390A - 一种基于支持向量机的油气回收方法 - Google Patents

Abstract

本发明提供一种基于支持向量机的油气回收方法，首先，通过建立SVR预测模型并将油气回收输送过程中的工作数据做预处理后划分为训练集和测试集；然后，采用训练集训练完SVR预测模型，并用测试集测试训练好的SVR预测模型的有效性，调整超参数，得到测试调整好的SVR预测模型；最后，采用测试调整好的SVR预测模型计算预测油气回收气液比，并根据油气回收系统真空泵的抽气能力，来确定变频器的频率，实现油气回收的自适应地调节。本发明基于支持向量机的油气回收方法可实现气液比的自适应调节，使油气回收比在1.00‑1.20的范围，以达到环保、安全、节能和成本低的效果。

Description

一种基于支持向量机的油气回收方法

技术领域

本发明涉及油气回收技术领域，更具体地说，涉及一种基于支持向量机的油气回收方法。

背景技术

随着我国经济的迅速发展，加油站数量不断增加，目前我国加油站约10万座，覆盖全国各个角落。加油站内油气挥发严重，浪费大量油气资源，危害工作人员身体健康，同时存在严重的安全隐患。挥发性有机化合物(Volatile Organic Compound，VOC)导致近地面臭氧、温室气体和光化学污染，已成为我国部分城市面临的一个重要环境问题。为减少加油站VOCs气体的排放，国内大部分加油站基本都完成了二次油气回收改造治理。

其中，气液比(A/L)是加油站挥发性有机物(VOC)排放控制中非常重要的参数。油气回收气液比的确定与输送过程密切相关，取决于管路条件、油品特性、温度以及输运过程压力状况等因素。不同的国家和地区对二次油气回收系统中气液比(A/L)的规定也不相同，如美国为1.00-1.30、欧洲为0.95-1.05、香港为0.80-1.20。我国《加油站大气污染物排放标准》规定加油站二次油气回收气液比控制在1.00-1.20之间。然而，至今为止的加油站油气回收产品均假设在输运和计量过程中油品为单一的液体状态，不顾工况只采取1：1的气液回收比，这显然是不合理的。

近年来，机器学习(Machine Learning)是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。其中，支持向量机(SVM)是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。而支持向量机在图像、语音等领域获得了很好的效果。因此，如何将深度学习应用于油气回收领域中以达到环保、安全、节能和成本低的效果，作为现今研究的重要课题之一。

发明内容

本发明的目的在于克服现有技术中的缺点与不足，提供一种基于支持向量机的油气回收方法，该油气回收方法可实现气液比的自适应调节，使油气回收比在1.00-1.20的范围，以达到环保、安全、节能和成本低的效果。

为了达到上述目的，本发明通过下述技术方案予以实现：一种基于支持向量机的油气回收方法，其特征在于：首先，通过建立SVR预测模型并将油气回收输送过程中的工作数据做预处理后划分为训练集和测试集；然后，采用训练集训练完SVR预测模型，并用测试集测试训练好的SVR预测模型的有效性，调整超参数，得到测试调整好的SVR预测模型；最后，采用测试调整好的SVR预测模型计算预测油气回收气液比，并根据油气回收系统真空泵的抽气能力，来确定变频器的频率，实现油气回收的自适应地调节。

具体地说，包括以下步骤：

Step 1：采集油气回收输送过程中的工作数据并保存，该工作数据包括：油液流量、油液温度、环境温度、加油量及气体量；

Step 2：对采集工作数据的异常情况进行检测，并对异常值进行处理得到修正数据；

Step 3：对Step 2的修正数据进行归一化处理；

Step 4：将修正数据中的油液流量、油液温度和环境温度作为特征向量，将修正数据中的加油量和气体量计算为实际的气液比(A/L)并作为标签；根据特征向量和标签，将数据集划分为训练集和测试集；

Step 5：确定SVR预测模型参数，并建立SVR预测模型；

Step 6：采用训练集的训练样本对SVR预测模型进行训练；并利用测试集测试训练好的SVR预测模型的有效性和调整超参数，得到测试调整好的SVR预测模型；

Step 7：搭建与燃油加油机连接的真空泵抽气系统测试平台，作为真空辅助式油气回收系统，确定真空泵的抽气能力，即变频器的频率和真空泵的流量关系；

Step 8：确定真空辅助式油气回收系统的控制模式：根据燃油加油机的环境温度、油液温度及流量信号作为输入数据，通过输入数据输入测试调整好的SVR预测模型预测油气回收气液比，并根据真空泵的抽气能力，则可确定变频器的频率，实现油气回收的自适应地调节：即在油气回收的输送过程中，根据燃油机的环境温度、油液温度及流量信号以及SVR预测模型预测的出气液比，计算出所要回收的气体量，同时根据燃油机油气回收真空泵的抽气能力，确定变频器所需输出的频率以控制真空泵的抽气量，从而自适应的实现油气回收。

在Step 2中，所述对采集工作数据的异常情况进行检测是指：采用的异常情况检测方法为3δ原则，即在3δ原则下，工作数据的样本如果距离平均值超过3δ，那么该工作数据的样本则视为异常值。

本发明采用的异常值检测方法为3δ原则，即在3δ原则下，样本如果距离平均值超过3δ，那么可以将其视为异常值。根据正态分布的定义可知，距离平均值3δ之外的概率为P(|x-μ|>3δ)≤0.003，这属于极小概率事件，在一般情况下，可以认定，距离超过平均值3δ的样本是不存在的。因此，当样本距离平均值大于3δ，则认定该样本为异常值。

在Step 2中，所述对异常值进行处理得到修正数据是指：采用平均值修正的方法对异常值进行修正，即用该异常值的前后两个数值的平均值修正该异常值。当检测到了异常值时候，需要对其进行一定的处理。本发明采用平均值修正的方法。本发明还可以采用删除含有异常值的记录、视为缺失值和平均值修正的方法对异常值进行处理。

在Step 3中，所述对Step 2的修正数据进行归一化处理是指：采用最大最小规范化对修正数据进行归一化，使结果值映射到[0，1]之间，转换函数如下：

其中，x_max和x_min分别为某一属性的最大值和最小值，x为某一特征值的修正数据。

采集到的工作数据之间具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响，需要进行数据归一化处理，以便解决数据指标之间的可比性。因此，在建立神经网络模型之前，需要对Step2的修正数据作归一化处理，加快后续对神经网络模型训练的收敛性。本发明还可以采用的归一化方法有最大最小规范化、z-score规范化及按小数定标规范化等。

所述SVR预测模型是通过非线性映射Φ(x)将输入向量映射的一个高维特征空间中，即Hilbert空间，然后在此高维空间中再进行线性回归，取得在原空间非线性回归，如公式所示：

f(x)＝wΦ(x)+b

其中，w为权重向量，Φ(x)为非线性映射函数，b为阀值。

权重向量w和阀值b由下述方法得到：

定义ε线性不敏感损失函数为：

其中，f(x)为回归模型返回的预测值，y为对应的真实值；

引入松驰变量ξ_i,ξ_i ^*，并将上述寻找w，b的问题转化为约束优化问题，即：

其中，C为惩罚因子，用于控制模型复杂度和逼近误差的折中，C越大，模型越复杂则对数据的拟合程度越高；损失函数的参数ε通过控制回归逼近误差管道的大小，以达到控制支持向量的个数和泛化能力的目的，其值越大，精度越低，支持向量越少；

对这一优化问题引入拉格朗日函数将其转化为对偶问题，通过解对偶问题得到解：

其中，a_i,a_i ^*为拉格朗日乘子，K(x_i,x)为高斯径向基核函数；该高斯径向基核函数为：

K(x_i,x)＝exp(-λ||x-x_i||²)

其中，λ为核参数；

通过交叉验证的方法得到参数ε最优取值后，再对参数C、λ使用交叉验证方法得到最优的(C、λ)组合，得到权重向量w和阀值b，并得到优化后SVR预测模型。

在Step 7中，所述真空泵抽气系统测试平台与燃油加油机连接，并包括依次连接的温度传感器、测试用储液罐和气体流量计，以及控制模块、油气回收真空泵和油液流量计；所述气体流量计输出端通过燃油加油机的油气回收孔依次与油气回收真空泵和加油站地下储油罐连接；所述加油站地下储油罐通过燃油加油机的加油泵依次与油液流量计和出油口连接；所述温度传感器、气体流量计和油液流量计分别与控制模块连接。

所述真空泵抽气系统测试平台还包括带有油气回收口的适配器；所述适配器密封燃油加油机的油气回收孔，并且其油气回收口连接气体流量计。

本发明的适配器使得油气回收系统所回收的油气不能直接从油箱进油处进行回收，而是通过适配器所连接的气体流量计再回收至真空泵内。测试时，油气先流过气体流量计，再进入加油枪上的油气回收孔。真空泵抽气系统测试平台的采集信号主要包括加油机的流量信号、气体流量计的流量信号、温度传感器的温度信号等。其中，加油流量信号来自加油机自带的油液流量计编码器产生的0-5V脉冲信号，气体流量计的流量信号通过RS485接口与气体流量计通信直接获得，温度传感器信号来自温度传感器输出一个0-5V的模拟信号。在采集过程中的同时，控制模块通过TF卡存储模块对所有数据进行存储。存储的实验数据包括油液流量、油液温度、环境温度、加油量、气体量及气液比。

与现有技术相比，本发明具有如下优点与有益效果：本发明基于支持向量机的油气回收方法可实现气液比的自适应调节，使油气回收比在1.00-1.20的范围，以达到环保、安全、节能和成本低的效果。

附图说明

图1是本发明基于支持向量机的油气回收方法的流程图；

图2是本发明基于支持向量机的油气回收方法中真空泵抽气系统测试平台的原理示意图；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细的描述。

实施例

如图1和图2所示，本发明基于支持向量机的油气回收方法是这样的：首先，通过建立SVR预测模型并将油气回收输送过程中的工作数据作为符合SVR预测模型的训练集和测试集；然后，采用训练集训练完SVR预测模型后，通过测试集测试训练好的SVR预测模型并调整参数，得到测试调整好的SVR预测模型；最后，采用测试调整好的SVR预测模型计算预测油气回收气液比，并根据油气回收系统真空泵的抽气能力，来确定变频器的频率，实现油气回收的自适应地调节。

具体地说，包括以下步骤：

Step 1：采集油气回收输送过程中的工作数据并保存，该工作数据包括：油液流量、油液温度、环境温度、加油量及气体量；

Step 2：对采集工作数据的异常情况进行检测，并对异常值进行处理得到修正数据；

Step 3：对Step 2的修正数据进行归一化处理；

Step 4：将修正数据中的油液流量、油液温度和环境温度作为特征向量，将修正数据中的加油量和气体量计算为实际的气液比(A/L)并作为标签；根据特征向量和标签，将数据集划分为训练集和测试集；

Step 5：确定SVR预测模型参数，并建立SVR预测模型；

Step 6：采用训练集的训练样本对SVR预测模型进行训练；并利用测试集测试训练好的SVR预测模型的有效性和调整参数，得到测试调整好的SVR预测模型；

Step 7：搭建与燃油加油机连接的真空泵抽气系统测试平台，作为真空辅助式油气回收系统，确定真空泵的抽气能力，即变频器的频率和真空泵的流量关系；

Step 8：确定真空辅助式油气回收系统的控制模式：根据燃油加油机的环境温度、油液温度及流量信号作为输入数据，通过输入数据输入测试调整好的SVR预测模型计算预测油气回收气液比，并根据真空泵的抽气能力，则可确定变频器的频率，实现油气回收的自适应地调节，即在油气回收的输送过程中，根据燃油机的环境温度、油液温度及流量信号，SVR模型预测出气液比，从而计算出所要回收的气体量，同时燃油机根据油气回收真空泵的抽气能力，确定变频器所需输出的频率以控制真空泵的抽气量，从而自适应的实现油气回收。

其中，在Step 2中，上述对采集工作数据的异常情况进行检测是指：采用的异常情况检测方法为3δ原则，即在3δ原则下，工作数据的样本如果距离平均值超过3δ，那么该工作数据的样本则视为异常值。本发明采用的异常值检测方法为3δ原则，即在3δ原则下，样本如果距离平均值超过3δ，那么可以将其视为异常值。根据正态分布的定义可知，距离平均值3δ之外的概率为P(|x-μ|>3δ)≤0.003，这属于极小概率事件，在一般情况下，可以认定，距离超过平均值3δ的样本是不存在的。因此，当样本距离平均值大于3δ，则认定该样本为异常值。

在Step 2中，上述对异常值进行处理得到修正数据是指：采用平均值修正的方法对异常值进行修正，即用该异常值的前后两个数值的平均值修正该异常值。当检测到了异常值时候，需要对其进行一定的处理。本发明采用平均值修正的方法。本发明还可以采用删除含有异常值的记录、视为缺失值和平均值修正的方法对异常值进行处理。

在Step 3中，上述对Step 2的修正数据进行归一化处理是指：采用最大最小规范化对修正数据进行归一化，使结果值映射到[0，1]之间，转换函数如下：

其中，x_max和x_min分别为某一属性的最大值和最小值，x为某一特征值的修正数据。

采集到的工作数据之间具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响，需要进行数据归一化处理，以便解决数据指标之间的可比性。因此，在建立神经网络模型之前，需要对Step2的修正数据作归一化处理，加快后续对神经网络模型训练的收敛性。本发明还可以采用的归一化方法有最大最小规范化、z-score规范化及按小数定标规范化等。

本发明的SVR预测模型是通过非线性映射Φ(x)将输入向量映射的一个高维特征空间中，即Hilbert空间，然后在此高维空间中再进行线性回归，取得在原空间非线性回归，如公式所示：

f(x)＝wΦ(x)+b

其中，w为权重向量，Φ(x)为非线性映射函数，b为阀值。

权重向量w和阀值b由下述方法得到：

定义ε线性不敏感损失函数为：

其中，f(x)为回归模型返回的预测值，y为对应的真实值；

引入松驰变量ξ_i,ξ_i ^*，并将上述寻找w，b的问题转化为约束优化问题，即：

其中，C为惩罚因子，用于控制模型复杂度和逼近误差的折中，C越大，模型越复杂则对数据的拟合程度越高；损失函数的参数ε通过控制回归逼近误差管道的大小，以达到控制支持向量的个数和泛化能力的目的，其值越大，精度越低，支持向量越少；

对这一优化问题引入拉格朗日函数将其转化为对偶问题，通过解对偶问题得到解：

其中，a_i,a_i ^*为拉格朗日乘子，K(x_i,x)为高斯径向基核函数；该高斯径向基核函数为：

K(x_i,x)＝exp(-λ||x-x_i||²)

其中，λ为核参数；

通过交叉验证的方法得到参数ε最优取值后，再对参数C、λ使用交叉验证方法得到最优的(C、λ)组合，得到权重向量w和阀值b，并得到优化后SVR预测模型。

本发明在Step 7中，上述真空泵抽气系统测试平台与燃油加油机连接，并包括依次连接的温度传感器、测试用储液罐和气体流量计，以及控制模块、油气回收真空泵和油液流量计，其中，气体流量计输出端通过燃油加油机的油气回收孔依次与油气回收真空泵和加油站地下储油罐连接，加油站地下储油罐通过燃油加油机的加油泵依次与油液流量计和出油口连接，温度传感器、气体流量计和油液流量计分别与控制模块连接。

本发明的真空泵抽气系统测试平台还包括带有油气回收口的适配器，该适配器密封燃油加油机的油气回收孔，并且其油气回收口连接气体流量计。

本发明的适配器使得油气回收系统所回收的油气不能直接从油箱进油处进行回收，而是通过适配器所连接的气体流量计再回收至真空泵内。测试时，油气先流过气体流量计，再进入加油枪上的油气回收孔。真空泵抽气系统测试平台的采集信号主要包括加油机的流量信号、气体流量计的流量信号、温度传感器的温度信号等。其中，加油流量信号来自加油机自带的油液流量计编码器产生的0-5V脉冲信号，气体流量计的流量信号通过RS485接口与气体流量计通信直接获得，温度传感器信号来自温度传感器输出一个0-5V的模拟信号。在采集过程中的同时，控制模块通过TF卡存储模块对所有数据进行存储。存储的实验数据包括油液流量、油液温度、环境温度、加油量、气体量及气液比。

本发明针对油气回收产品的气液比设置不合理的问题，本发明采用机器学习方法对真空辅助式油气回收系统输送过程的气液比进行预测，并建立SVR预测模型。通过对真空泵抽气系统测试平台采集并保存的数据进行预处理后构成特征向量和标签，训练回归模型并对训练好的回归模型进行预测，调整相关参数以达到预测精确度要求。该油气回收方法可实现气液比的自适应调节，使油气回收比在1.00-1.20的范围，以达到环保、安全、节能和成本低的效果。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于支持向量机的油气回收方法，其特征在于：首先，通过建立SVR预测模型并将油气回收输送过程中的工作数据做预处理后划分为训练集和测试集；然后，采用训练集训练完SVR预测模型，并用测试集测试训练好的SVR预测模型的有效性，调整超参数，得到测试调整好的SVR预测模型；最后，采用测试调整好的SVR预测模型计算预测油气回收气液比，并根据油气回收系统真空泵的抽气能力，来确定变频器的频率，实现油气回收的自适应地调节。

2.根据权利要求1所述的基于支持向量机的油气回收方法，其特征在于：包括以下步骤：

Step1：采集油气回收输送过程中的工作数据并保存，该工作数据包括：油液流量、油液温度、环境温度、加油量及气体量；

Step2：对采集工作数据的异常情况进行检测，并对异常值进行处理得到修正数据；

Step3：对Step2的修正数据进行归一化处理；

Step4：将修正数据中的油液流量、油液温度和环境温度作为特征向量，将修正数据中的加油量和气体量计算为实际的气液比(A/L)并作为标签；根据特征向量和标签，将数据集划分为训练集和测试集；

Step5：确定SVR预测模型参数，并建立SVR预测模型；

Step6：采用训练集的训练样本对SVR预测模型进行训练；并利用测试集测试训练好的SVR预测模型的有效性和调整超参数，得到测试调整好的SVR预测模型；

Step7：搭建与燃油加油机连接的真空泵抽气系统测试平台，作为真空辅助式油气回收系统，确定真空泵的抽气能力，即变频器的频率和真空泵的流量关系；

Step8：确定真空辅助式油气回收系统的控制模式：根据燃油加油机的环境温度、油液温度及流量信号作为输入数据，通过输入数据输入测试调整好的SVR预测模型预测油气回收气液比，并根据真空泵的抽气能力，则可确定变频器的频率，实现油气回收的自适应地调节：即在油气回收的输送过程中，根据燃油机的环境温度、油液温度及流量信号以及SVR预测模型预测的出气液比，计算出所要回收的气体量，同时根据燃油机油气回收真空泵的抽气能力，确定变频器所需输出的频率以控制真空泵的抽气量，从而自适应的实现油气回收。

3.根据权利要求2所述的基于支持向量机的油气回收方法，其特征在于：在Step2中，所述对采集工作数据的异常情况进行检测是指：采用的异常情况检测方法为3δ原则，即在3δ原则下，工作数据的样本如果距离平均值超过3δ，那么该工作数据的样本则视为异常值。

4.根据权利要求2所述的基于支持向量机的油气回收方法，其特征在于：在Step2中，所述对异常值进行处理得到修正数据是指：采用平均值修正的方法对异常值进行修正，即用该异常值的前后两个数值的平均值修正该异常值。

5.根据权利要求2所述的基于支持向量机的油气回收方法，其特征在于：在Step3中，所述对Step2的修正数据进行归一化处理是指：采用最大最小规范化对修正数据进行归一化，使结果值映射到[0，1]之间，转换函数如下：

其中，x_max和x_min分别为某一属性的最大值和最小值，x为某一特征值的修正数据。

6.根据权利要求2所述的基于支持向量机的油气回收方法，其特征在于：所述SVR预测模型是通过非线性映射Φ(x)将输入向量映射的一个高维特征空间中，即Hilbert空间，然后在此高维空间中再进行线性回归，取得在原空间非线性回归，如公式所示：

f(x)＝wΦ(x)+b

其中，w为权重向量，Φ(x)为非线性映射函数，b为阀值。

7.根据权利要求6所述的基于支持向量机的油气回收方法，其特征在于：权重向量w和阀值b由下述方法得到：

定义ε线性不敏感损失函数为：

其中，f(x)为回归模型返回的预测值，y为对应的真实值；

引入松驰变量ξ_i,ξ_i ^*，并将上述寻找w，b的问题转化为约束优化问题，即：

其中，C为惩罚因子，用于控制模型复杂度和逼近误差的折中，C越大，模型越复杂则对数据的拟合程度越高；损失函数的参数ε通过控制回归逼近误差管道的大小，以达到控制支持向量的个数和泛化能力的目的，其值越大，精度越低，支持向量越少；

对这一优化问题引入拉格朗日函数将其转化为对偶问题，通过解对偶问题得到解：

其中，a_i,a_i ^*为拉格朗日乘子，K(x_i,x)为高斯径向基核函数；该高斯径向基核函数为：

K(x_i,x)＝exp(-λ||x-x_i||²)

其中，λ为核参数；

通过交叉验证的方法得到参数ε最优取值后，再对参数C、λ使用交叉验证方法得到最优的(C、λ)组合，得到权重向量w和阀值b，并得到优化后SVR预测模型。

8.根据权利要求2所述的基于支持向量机的油气回收方法，其特征在于：在Step7中，所述真空泵抽气系统测试平台与燃油加油机连接，并包括依次连接的温度传感器、测试用储液罐和气体流量计，以及控制模块、油气回收真空泵和油液流量计；所述气体流量计输出端通过燃油加油机的油气回收孔依次与油气回收真空泵和加油站地下储油罐连接；所述加油站地下储油罐通过燃油加油机的加油泵依次与油液流量计和出油口连接；所述温度传感器、气体流量计和油液流量计分别与控制模块连接。

9.根据权利要求7所述的基于支持向量机的油气回收方法，其特征在于：所述真空泵抽气系统测试平台还包括带有油气回收口的适配器；所述适配器密封燃油加油机的油气回收孔，并且其油气回收口连接气体流量计。