基于遗传算法优化的支持向量机_SVM_GA_低阶煤制氢产量预测模型

增刊8月煤炭学报

JOURNALOFCHINACOALSOCIETY

Vol．35Aug．

Sup．2010

文章编号：0253－9993（2010）S0－0205－05

基于遗传算法优化的支持向量机（SVM－GA）

低阶煤制氢产量预测模型

11，22

方向，丁兆军，舒新前（1.山东工商学院计算机学院，山东烟台2005；2.中国矿业大学（北京）化学与环境工程学院，北京100083）

摘

要：介绍了遗传算法（GA）和支持向量机（SVM）的基本理论，用遗传算法对支持向量机的结构

和参数进行了优化，将该方法用于低阶煤制氢的研究，获得了影响低阶煤制氢产量的主要煤质指

标，建立了SVM－GA预测模型。结合34个校验样本的氢产量和相对应的影响因素，对模型的预测效果进行了验证。结果表明：预测值与试验值的平均相对误差为0.209%，误差的均方差为37.88，达到了较高的预测精度。

关键词：遗传算法；支持向量机；低阶煤制氢；预测模型中图分类号：TQ530.2；TP181文献标志码：A

Hydrogenyieldpredictionmodelofhydrogenproductionfromlowrankcoalbasedonsupportvectormachineoptimizedbygeneticalgorithm

2

FANGXiang1，DINGZhao-jun1，，SHUXin-qian2

（1．SchoolofComputer，ShandongInstituteofBusinessandTechnology，Yantai2005，China；2.SchoolofChemistryandEnvironment，ChinaUniversityofBeijing100083，China）MiningandTechnology（Beijing），

Abstract：ThebasictheoryoftheSVM（SupportVectorMachine）andGA（geneticalgorithm）wasintroduced，thenthestructureandparametersofSVMoptimizedwithGA，andthismethodwasappliedtoresearchofhydrogenproduc-tionfromlowrankcoal．Accordingtotheresult，themainqualityparametersofcoalwhichinfluencehydrogenyieldwereobtained．AndtheSVM-GAmodelforpredictinghydrogenyieldoflowrankcoalwasbuilt．Testedwith34sam-ples，themeanrelativeerrorofpredictionis0.209%，andthemeansquareoferroris37.88．Themodelhasperfectprecision．

Keywords：geneticalgorithm；supportvectormachine；hydrogenproductionfromlowrankcoal；predictionmodel

化石能源大量使用带来的环境污染，迫切需要人类开发和使用低碳甚至无碳能源。氢能作为一种不含碳的清洁能源，无疑将会发挥越来越重要的作用，越来越受到关注

［1］

应用价值。已有大量学者从热解温度、升温速率、热

煤炭粒度、煤炭种类、煤岩组分组成等因素对解压力、

煤的热解过程进行了研究

［2－4］

，但通过建模对低阶煤

［5］

。然而，氢能是一种二次能源，它热解制氢进行数值模拟的研究至今尚鲜见报道。

支持向量机是一种新型的机器学习方法近年来机器学习领域的研究热点

［6－7］

只能经过某些加工转化方式，由其他能源或材料转化在能源资源日益短缺的今天，开发和使而来。显然，

用规模化制氢技术，最大限度地使用低质或者劣质燃显得十分重要。为此，笔者开展了利用低阶料制氢，

煤热解制备氢气的研究。实验结果表明，基于热解方法利用低阶煤制氢，具有重要的科学研究意义和实际

，是

。该学习方法

以结构风险最小化原则取代传统机器学习方法中的

具有很强的泛化能力，被认为经验风险最小化原则，

是目前针对小样本统计估计和预测学习的最佳理论；

支持向量机解决了神经网络中的局部极小值问题、过

收稿日期：2010－02－21责任编辑：许书阁

基金项目：国家自然科学基金资助项目（90610014）；山东省自然科学基金资助项目（Q2007B05）作者简介：方向（1978—），女，内蒙古阿荣旗人，讲师，硕士。E－mail：ccecfangxiang@163.com

206

煤炭学报

2010年第35卷

学习以及结构和类型的选择过分依赖经验等缺陷

［8］

。已经被广泛应用于非线性预测中，并取得了

［9－10］

s．tωφ（x）+b－yi≤ε+ξi

ξi，ξi≥0

*

*

良好的效果。

{yi－〈ωφ（x）〉－b≤ε+ξ*i

（i=1，2，…，l）

由于影响煤热解制氢的因素具有多样性和相关性，在建模时，既容易增加额外的指标，也容易忽略影本文通过遗传算法响预测对象的最相关指标。因此，确定支持向量机的结构和参数

［11］

利用拉格朗日算子ai和ai将其转化为以下对偶

形式：max

，从而建立优化的

[1

－2

l

l

（a*∑ii，j=1

*i

Xj）+－ai）（a*－aj）K（Xi，j

l

]煤制氢产量预测模型，首次把遗传算法优化支持向量机引入到制氢产量预测的研究中。

l

a∑i=1ai∑i=1

（yi－ε）－

l

ai（yi∑i=1

－ε）

1

1.1

遗传算法与支持向量机

遗传算法

遗传算法是一种用于全局优化搜索的具有高度

=

a*∑i

i=1

（0≤ai，a*i≤C）

K（Xi，Xj）为支持向量机的核函数，K（Xi，Xj）=其中，

〈φ（x）φ（y）〉。

对上述问题进行求解，即得到支持向量机回归函数

l

非线性映射、自适应和自组织功能的人工智能优化方

交叉、变法。它将生物进化过程抽象地描述为选择、异3个算子。遗传算法首先将问题的一个解向量编从而构成染色体群。利用适码成字符串（染色体），

应度函数来求解种群中各个体的适应程度，根据适者

从中选取适应环境的个体并通过遗传算生存的原则，

子产生新的子代。经过若干代遗传进化后，可以获得即问题的最优解。最适宜的个体，1.2

支持向量机

y1），（x2，y2）…，（xi，yi）∈对于训练样本集（x1，

Rn×R，xi为输入变量，yi为对应的输出变量，对于非SVM将数据x映射到高维特征空间F，线性回归，并在F中用估计函数f（x）=［ωφ（x）］+b进行线性回归

［7］

m

，其中，ω∈F；φ为从R空间到F空间的非线性

f（x）=

（ai∑i=1

－a*Xj）+bi）K（Xi，

*

其中，当（ai－ai）非零时对应的训练样本就是支持向量，核函数可以是任何一个满足Mercer条件的正

定函数常用的核函数主要有4类：线性核函数、多项

gauss径向基核函数（RBF）和多层感知器式核函数、

sigmoid核函数。径向基函数比线性函数好，在选用

［12］

了径向基函数后没有必要再考虑线性函数；Sig-moid函数精确度不比径向基函数好，而且只有满足

一定条件后它才能成为有效的核函数

；多项式核函数当其阶次较高时会使参数优化更复杂，耗费大量

［13］

映射；b为偏置量。

函数拟合问题可以表示为

l

而得到的SVM性能并不比径向基核函资源和时间，

［14］

数得到的SVM好。因此，这里选取径向基函数

－γ‖Xi－X‖2

K（Xi，Xj）=e作为支持向量机的核函数来进行研究。

Rreg（f）=Remp［f］+λ‖ω‖=

2

C（ei）∑i=1

+λ‖ω‖2

2

2.1

SVM－GA模型的构建

样本的选取

Rreg（f）为目标函数；Remp为经验风险；λ为常数；其中，

l为样本数量；C为错误惩罚因子；‖ω‖2反映f在高维空间平坦的复杂性。引入不敏感损失函数ε，由

于其具有较好的稀疏性，可以得到损失函数和经验风险函数分别为

y－f（x）

ε

emp

为进行低阶煤的热解实验研究，实验室自制了热解反应装置（图1），主要由5部分组成：热解反应发生装置；气体净化与冷凝装置；流量检测装置；气体收集装置；气体分析装置。本文选择神华煤、灵武煤和昭通煤的5种低阶煤煤样进行煤质的工业分析、元素分析（表1）；对各种不同的实验样品进行破碎，然后进行筛分，选取粒径为3.0～5.0mm的煤样20g作为试样。实验时将物料置于反应器内、常压、氮气气氛，以不加催化剂和加入2%的MnO2进行热解制氢实验，电阻炉以15℃/min的升温速率进行加热，用700、800、900、1000℃产生的所气袋分别收集600、有气体，利用色谱仪对所产气体进行分析。初选后得

=max｛0，y－f（x）－ε｝

l

1

R［f］=

l

∑i=1

y－f（x）

ε*

根据统计学理论，引入松弛因子ξi和ξi，支持向量机回归问题转化为对以下目标函数的最小化问

题。

min

{12*

‖ω‖+C∑（ξi+ξi）2i=1

l

}增刊方向等：基于遗传算法优化的支持向量机（SVM－GA）低阶煤制氢产量预测模型

到34组数据。

工业分析

水分

煤样1煤样2煤样3煤样4煤样5

3.846.815.0.374.76

灰分14.497.343.371.1010.05

挥发分30.2828.7535.5444.3532.95

固定碳62.3053.3224.4915.5419.39

w（C）48.3268.3849.5048.3247.88

w（H）6.294.106.856.296.41

元素分析w（O）45.2210.9043.0045.220.16

w（N）0.140.870.320.141.32

w（S）0.010.380.060.0134.10

208

煤炭学报

2010年第35卷

平均相对误差为0.209%，误差的均方差为37.88，说明该模型比较精确地对所有样品做出了预测。

表2

Table2

预测值与实测值的对照Thecontrastisonbetweensimulationvaluesandthetruevalues

样本序号262728293031323334

预测值2193.10118.12496.861027.001956.1396.01363.701100.321957.18

实测值2193.59118.45497.271027.011901.4295.92363.741100.231957.15

相对误差/%

0.0220.2790.0820.001－2.877－0.0940.011－0.008－0.002

参考文献：

［1］闵凡飞，张明旭，陈清如，等．新鲜生物质催化热解气化制富氢

J］．煤炭学报，2006，31（5）：9－653．燃料气的试验研究［

ZhangMingxu，ChenQingru，etal．Trialstudyoncata-MinFanfei，

lyticpyrolysisgasificationoffreshbiomasstoproducehydrogenrichgas［J］．JournalofChinaCoalSociety，2006，31（5）：9－653．［2］李美芬，曾凡桂，孙蓓蕾，等．低煤级煤热解H2生成动力学及其

2009，25与第一次煤化作用跃变的关系［J］．物理化学学报，（12）：2597－2603．

LiMeifen，ZengFangui，SunBeilei，etal．Evolutionkineticsofhy-drogengenerationfromlowrankcoalpyrolysisanditsrelationtotheJ］．Phys．Chim．Sin．，2009，25（12）：2597firstcoalificationjump［－2603．

［3］李永亮，郭烈锦，张明颛，等．高含量煤在超临界水中气化制氢

J］．西安交通大学学报，2008，42（7）：919－924．的实验研究［

LiYongliang，GuoLiejin，ZhangMingzhuan，etal．Hydrogenproduc-tionbygasificationofhighconcentrationcoalinsupercriticalwater［J］．JournalofXi’anJiaotongUniversity，2008，42（7）：919－924．［4］闫秋会，郭烈锦，吕友军．生物质/煤超临界水气化制氢的主要

．西安交通大学学报，2008，42（3）：368－371．影响因素［J］

GuoLiejin，LüYoujun．InfluenceofmainparametersonYanQiuhui，

hydrogenproductionduringbiomass/coalgasificationinsupercriticalanJiaotongUniversity，2008，42（3）：368－water［J］．JournalofXi’371．［5］

VapnikVN．Thenatureofstatisticallearningtheory［M］．NewYork：SpringerVerlag，1995．

［6］王晓丹，郑春颖，吴祟明．一种新的SVM对等增量学习算法［J］．

2006，26（10）：2440－2443．计算机应用，

WangXiaodan，ZhengChunying，WuChongming．NewalgorithmforSVM-basedincrementallearning［J］．JournalofComputerApplica-tions，2006，26（10）：2440－2443．

［7］吴少雄，黄恩洲．基于支持向量机的控制图模式识别［J］．计算

2007，27（1）：61－．机应用，

HuangEnzhou．ControlchartpatternsrecognitionWuShaoxiong，

basedonsupportvectormachine［J］．JournalofComputerApplica-2007，27（1）：61－．tions，［8］孟

倩，王洪权，王永胜，等．煤自燃极限参数的支持向量机预2009，34（11）：14－1493．测模型［J］．煤炭学报，

WangHongquan，WangYongsheng，etal．Predictinglim-MengQian，

itparametersofcoalself-ignitionbasedonsupportvectormachine［J］．JournalofChinaCoalSociety，2009，34（11）：14－1493．［9］童

辉，付鹤林，冷伍明．基于支持向量机的时间序列回归与预J］．系统仿真学报，2006，18（7）：1785－1788．侧［

TongHui，FuHelin，LengWuming．Supportvectormachinesfortimeseriesregressionandprediction［J］．JournalofSystemSimulation，2006，18（7）：1785－1788．［10］刘

涵，刘

丁，李

琦．基于支持向量机的混沌时间序列非线

J］．系统工程理论与实践，2005（9）：94－99．性预测［

LiuDing，LiQi．ChaotictimeseriesnonlinearpredictionLiuHan，

basedonsupportvectormachines［J］．SystemsEngineering-Theory＆Practice，2005（9）：94－99．

［11］杨虞徽，左洪福，陈

果．支持向量机时间序列预侧模型的参数

图4

Fig.4

模型预测结果

PredictsresultsbyGA－SVM

从理论上说，支持向量机可以保证模型有较强的

泛化能力，但这个保证是比较宽松的，模型的预测能从预测精度考力还与样本的数量和分布有一定关系，

虑选择训练样本时应该尽量选择分布比较均匀，对所求规律包含比较充分的样本，这样可以提高模型的预测能力。核函数参数和惩罚因子的选择对模型的性能有很大影响，可以通过调整参数获得性能较好的模［19］

型。参数的选择调整可应用寻优算法实现，如与遗传算法相结合，可以很方便地找到最优的γ和C。

4结论

（1）将遗传算法用于支持向量机回归建立SVM－GA算法，获得了影响煤制氢产量预测的主要煤质H、O元素的含量，指标有：C、终止温度和是否加入催化剂。

（2）用SVM－GA建立的煤制氢产量预测模型，方法适用，计算简便。从预测结果可以看出：所建模型精度的拟合值与预测值都与实际数据吻合得较好，达到了较高的预测精度，应用SVM－GA模型对煤制氢产量进行预测是可行的。

增刊方向等：基于遗传算法优化的支持向量机（SVM－GA）低阶煤制氢产量预测模型

MetrologicaSinica，2008（1）：92－96．

［16］孙

209

2006，21（4）：767影响分析与自适应优化［J］．航空动力学报，－772．

ZuoHongfu，ChenGuo．Influenceanalysisandsele-YangYuhui，

adaptiveoptimizationofsupportvectormachinetimeseriesforecas-．JournalofAerospacePower，2006，21tingmodelparameters［J］（4）：767－772．

［12］KeerthI，LinCJ．Asymptoticbehaviorsofsupportvectormachines

．NeuralComputation，2003，15：1667－withGaussiankernel［J］16．

［13］

LinHT，LinCJ．AstudyonsigmoidkernelsforSVMandthetrainingofnon-PSDkernelsbySMO-typemethods［R］．Taibei：NationalTaiwanUniversity，2003．

［14］李盼池，许少华．支持向量赛机在模式识别中的核函数特性分

J］．计算机工程与设计，2005，26（2）：302－304．析［

LiPanchi，XuShaohua．Supportvectormachineandkernelfunctioncharacteristicanalysisinpatternrecognition［J］．ComputerEngi-neeringandDesign，2005，26（2）：302－304．

［15］陈

果，周

伽．小样本数据的支持向量机回归模型参数及预

．计量学报，2008（1）：92－96．测区间研究［J］

ChenGuo，ZhouJia．Researchonparametersandforecastinginter-valofsupportvectorregressionmodeltosmallsample［J］．Acta

瑾，许青松，陈燕燕．基于遗传算法和支持向量机的银行个

．统计与预测，2008（12）：126－128．人信用评估［J］

XuQingsong，ChenYanyan．Personalbankcreditevalua-SunJin，

tionbasedongeneticalgorithmsandsupportvectormachines［J］．StatisticsandDecision，2008（12）：126－128．

［17］郭立力，赵春江．十折交叉检验的支持向量机参数优化算法

［J］．计算机工程与应用，2009，45（8）：55－57．

ZhaoChunjiang．OptimizingparametersofsupportvectorGuoLili，

machinemodelbasedongeneticalgorithm［J］．ComputerEngineer-ingandApplications，2009，45（8）：55－57．

［18］李建中，周

昊，王春林，等．支持向量机技术在动力配煤中灰

2007，32（1）：81－84．熔点预测的应用［J］．煤炭学报，

ZhouHao，WangChunlin，etal．EmployingsupportLiJianzhong，

vectormachinetopredicttheashfusiontemperatureofcoalblends［J］．JournalofChinaCoalSociety，2007，32（1）：81－84．

［19］王春林，周

昊，李国能，等．基于支持向量机与遗传算法的灰

J］．中国电机工程学报，2007，27（8）：11－15．熔点预测［

WangChunlin，ZhouHao，LiGuoneng，etal．Combiningsupportvectormachineandgeneticalgorithmtopredictashfusiontempera-ture［J］．ProceedingsoftheCSEE，2007，27（8）：11－15．