[发明专利]一种化工园区重大危险源动态预警方法

摘要

本发明涉及一种化工园区重大危险源动态预警方法。本发明采用平行坐标方法对重大危险源中关键环节参数的相关变量进行相关性分析，将筛选出的强相关性变量作为输入变量，在预测之前再利用主成分分析方法，对强相关性变量进行降维。利用递归神经网络动态预测关键生产环节变量。之后利用各关键参数的动态预测结果做危险等级评估。本发明是针对化工园区危险源动态预警中的一些难题提出的一种动态预测预警的方法，该方法具有开放性、鲁棒性、并行性、灵活性、以及对问题的数学形式无特殊要求等特点。

主权项

1.一种化工园区重大危险源动态预警方法，其特征在于，该方法的步骤包括：步骤1：获取化工园区内各个重大危险源生产环节的信息，包括危险源生产的流程、关键参数、各关键参数在重大危险源中的危险权重和模糊综合评价指标、关键参数的历史数据信息、关键参数的当前动态数据，这些信息通过化工园区安全管理部门和园区工厂生产部门获得；步骤2：通过步骤1所获得的信息进行平行坐标分析预测变量相关性，并经过主成分分析进行降维优化；(1)平行坐标分析利用平行坐标将需要预测关键参数的相关变量组成一个高维数据集合，将该数据集中各个变量用等距离且相互平行的坐标轴表示，每一条轴线代表一个属性维，变量值对应轴上相应位置，这样，每一个关键参数的相关变量都根据其属性值用一条折线段在n条平行轴上表示出来；(2)主成分分析优化找出影响高维数据集合某一要素的几个综合指标(维)，使综合指标为原来变量的线性拟合；(3)平行坐标分析与主成分分析进行降维优化：①平行坐标绘制；将化工园区危险源系统中关键参数的所有相关变量组合为如下的得分矩阵：在具有笛卡尔坐标系的平面上，得分矩阵S中的每一行S_i＝[S_i1 S_i2 … S_ik]对应于平行坐标系中由k‑1条线段连成的一条折线；这些数据从笛卡尔坐标系映射到平行坐标系中需要进行坐标的转换，因为每一条坐标轴都是等长的，所以将得分矩阵进行0‑1均匀化处理；处理后的数据s′_i,j与原始数据s_i,j的关系为其中，S_i,max和S_i,min分别表示第i个相关性变量的最大值和最小值；②分析平行坐标，筛选出关键参数的所有相关变量中的强相关性变量；根据步骤①绘制的平行坐标；平行坐标由平行的坐标轴和多段线组成；平行的坐标轴表示重大危险源中各个关键参数的相关性变量，多段线是由这些相关性变量的参数值组成；如果两个变量之间的线是交叉的呈现X型，那么两个变量之间是负相关；如果两个变量之间的线是相互平行的，那么相互之间的关系是正相关；变量之间的线是随机交叉的,那么两者之间没有特别的关系；其中呈现负相关和正相关即为关键参数的所有相关变量中的强相关性变量；③利用平行坐标方法筛选出的强相关性变量组成数据矩阵X：④在主成分分析算法中将强相关性变量组成数据矩阵X各变量进行标准化预处理，得到标准化数据矩阵Z：x_m的总体均值为x_m的总体方差为计算相关矩阵，其中，Z^T为标准化数据矩阵Z的转置,n表示矩阵Z的行，m表示矩阵Z的列，计算得到的相关矩阵C由d个主成分组成；⑤利用雅可比法求相关矩阵C的特征向量wi，i＝1,2,…,m和特征值矩阵Λ＝diag(λ1,λ2,…,λm)，其中λ为特征值，diag表示对角阵；；⑥将各特征值按从大到小的顺序排序，并对应地调整特征向量列的顺序，使具有最大方差的为第1个主成分，具有次大方差的为第2个主成分，最小的方差的为第d个主成分；⑦选取方差最大的k个主成分，使k个主成分包含原始数据的大部分信息，选取的k个主成分的累积方差贡献大于总方差的85％，即⑧由选择的k个主成分的特征向量wi，i＝1,2,…,k，得到k个独立的线性组合新变量：ξ1,ξ2,…,ξk是经过降维处理后重新构造出的k个特征，它们代表所有强相关性变量的主成分,强相关性变量的k个主成分组成的矩阵T为:步骤3利用强相关性变量的主成分输入Elman神经网络对关键参数进行预测；具体步骤如下：①Elman神经网络的数学模型为：式中:y(t)为输出层的输出,u(t)为输入层的外部输入，输入强相关性变量的k个主成分组成的矩阵T,xc(t)为承接层的输出,x(t)为隐含层的输出,w(1)为承接层与隐含层连接权值,w(2)为输入层与隐含层之间的连接权值,w(3)为隐含层与输出层连接权值,θ(1)为隐含层阀值,θ(2)为输出层阀值，其中f()表示神经网络的激活函数；采用式(2)所示的Sigmoid函数作为神经网络的激活函数:由式(1)可推出式中和表示之前不同时刻的连接权值；式(3)表示x^c(t)和之前时刻的连接权值有关,实现了动态递归的特点.②Elman神经网络输入层的输入、输出分别为③α＝[1,2,… E1]；隐含层的输入、输出分别为:④β＝[1,2,… E2]；承接层的输入、输出分别为:⑤γ＝[1,2,… E2]；输出层的输入、输出分别是:μ＝[1,2,… E3],其中E1,E2,E3分别是输入层、隐含层和输出层的层数,承接层的层数与隐含层相同；最终得到的y(t)为关键参数的预测值；步骤4：利用动态评估方法对化工园区重大危险源进行动态等级评估，具体步骤如下：将危险源动态评价指标分为两个层次，第二层次为关键参数的二级模糊评价，设定为二级模糊综合评价指标；第一层次为化工园区内重大危险源的危险等级，设定为一级模糊综合评价指标；(1)构建二级模糊综合评价二级模糊综合评价定义一个关键参数的评判矩阵R_σ＝[R₁，R₂，…,R_σ]，关键参数的预测值超过正常阈值的百分比其中G是关键参数的正常范围最大值，将R_σ与C_σ对应元素进行乘法运算；得到二级模糊综合评价指标矩阵:Aσ＝Cσ·Rσ   (12)(2)构建一级模糊综合评价根据各关键参数在重大危险源的危险程度，确定一级模糊综合评价的权重：Dσ＝[D1，D2，…,Dσ]；将由(1)得到的二级模糊综合评价矩阵Aσ＝[A1，A2，…,Aσ]与一级模糊综合评价的权重进行点乘运算，得到化工园区内重大危险源的危险等级指标为：Bp＝Aσ·Dσ  (13)p为化工园区危险源的总数；(3)最后，用评估结果来判断化工园区危险源的动态等级；动态评估等级的确定采用分值法，等级的分值范围见表1；Q为危险源动态指标Bp的值；表1 动态风险等级