[发明专利]一种压缩天然气加气站智能风险评估方法

说明书

本发明涉及一种压缩天然气加气站智能风险评估方法；包括如下构建步骤：步骤1构建楔形波多核支持向量机；步骤2确定改进蝗虫算法优化优化楔形波支持向量机；步骤3确定压缩天然气加气站风险评估指标体系；步骤4采集与压缩天然气加气站风险指标体系相关的数据并且利用专家评价法和问卷法确定输入样本数据。步骤5将压缩天然气加气站的风险水平划分为五个等级且将风险等级作为评估模型的输出样本数据。步骤6收集压缩天然气加气站风险评估相关数据且确定训练样本和测试样本；步骤7利用训练数据样本对评估模型进行训练且利用训练后的评估模型对待评估压缩天然气加气站风险水平进行评估。利用以上构造的石化企业炼油装置能源管理系统优化方法。本发明能够提高压缩天然气加气站风险评估的精度和效率，进而可以提升压缩天然气加气站安全管理水平。

技术领域

本发明涉及一种压缩天然气加气站智能风险评估方法，尤其涉及一种基于改进蝗虫算法优化的楔形波多核支持向量机的压缩天然气加气站智能风险评估方法。

背景技术

压缩天然气具有成本低、无污染、使用方便等特点，压缩天然气加气站往往通过储罐储存一定量的天然气。近年来，压缩天然气加气站的数量不断增加。压缩天然气行业的快速发展导致现场分散和监管困难。此外，许多地方管理工作相对薄弱，控制手段落后。因此，许多新的压缩天然气加气站在业务管理、设备监控、安全生产等方面存在许多漏洞和问题。由于腐蚀或材料缺陷，天然气储罐可能发生泄漏，导致火灾、爆炸等事故，安全生产事故时有发生，造成人员伤亡和财产损失。因此，压缩天然气加气站的安全问题日益引起公众的关注。鉴于压缩天然气加气站的高风险状态，有必要对压缩天然气加气站生产经营中可能存在的风险因素进行危害识别风险分析。结合事故统计分析结果，采用定性评价方法对压缩天然气加气站生产装置进行初步危险性分析，找出压缩天然气加气站常见事故的原因，提出压缩天然气加站安全生产运行的技术管理措施。压缩天然气加气站风险评估研究将确保压缩天然气加气站及其周边设施的安全。

近年来，随着人工智能技术的蓬勃发展，基于人工智能的机器学习算法越来越成熟。基于人工智能的机器学习算法可以自动获取信息并实时发布，防止重大或严重损坏，此外，它具有成本低、功耗低、信息可靠等优点。由于压缩天然气加气站风险评估具有很强的复杂性、非线性、不确定性和实时性，采用传统的数学模型进行风险评估存在一定的局限性。传统的评价方法主观随机性和模糊性较大，操作相对复杂，缺乏自学习能力。支持向量机的非线性处理能力是通过“核映射”方法实现的。对于内核映射，内核函数必须满足Mercer条件。例如，高斯核函数是一种广泛使用的核函数，在分析非线性问题时表现出良好的映射性能。然而，对于现有的核函数，支持向量机无法在某个L₂(R)子空间上逼近任何函数，因为现有的核功能无法通过平移在该子空间上生成一组完整的基。

发明内容

本发明针对上述现有技术中存在的问题，提供一种改进蝗虫算法优化的楔形波多核支持向量机的压缩天然气加气站智能风险评估方法。本发明能够提高压缩天然气加气站风险评估的精度和效率，进而可以提升压缩天然气加气站安全管理水平。

本发明的技术方案包括如下步骤：

步骤1：构建楔形波多核支持向量机

将对不同尺度和方向的变化均具有良好鲁棒性的楔形波变换与支持向量机相结合，建立了楔形波支持向量机。针对单核函数支持向量机在处理多特征集合的机器学习任务时在评估中的盲目性问题，通过局部和全局核函数的加权线性相加生成多核支持向量机对数据进行分类，进一步提高分类精度，从而提高压缩天然气加气站的风险评估精度。

步骤1-1：构建组合核函数，相应的公式如下所示：

式中，λ_i表示权重系数，k_i(x,y)表示单核函数，表达式如下所示：