[发明专利]基于DA优化的汽油精炼过程中辛烷值损失预测方法与系统

说明书

本发明提供一种基于DA优化的汽油精炼过程中辛烷值损失预测方法与系统，包括：获取汽油精炼样本数据；对样本数据进行预处理；基于皮尔森相关系数和最大信息系数构建识别差异表达操作变量的方法，获取样本数据中各变量之间的关联关系，筛选出N个变量作为操作变量；将获得样本数据分为训练集和测试集；以精炼汽油辛烷值和含硫量为约束条件，基于DA优化的BP神经网络进行模型训练学习，获得第一辛烷值预测模型；在测试集的基础上，对获得的第一辛烷值预测模型进行测试，在满足预设的预测精度基础上最终输出模型作为辛烷值的预测模型，否则进行模型优化；以辛烷值的预测模型对实时获得的汽油精炼数据进行辛烷值预测输出。

技术领域

本发明涉及汽油精炼技术领域，具体而言涉及一种基于DA优化的汽油精炼过程中辛烷值损失预测方法与系统。

背景技术

汽油是用量最大的石油产品之一，是一种重要的引擎燃料。随着社会的高速发展，导致汽油需求量不断提升，同时其不完全燃烧造成的环境问题日趋严重。如何有效降低汽油中的硫、烯烃含量，并同时较好保持其辛烷值成为研究热点。因此，运用科学的管理方法，结合数据挖掘技术指导汽油清洁化具有重要意义。

发明内容

本发明第一方面的目的在于提供一种基于DA优化的汽油精炼过程中辛烷值损失预测方法，包括以下步骤：

步骤1、获取汽油精炼样本数据；

步骤2、对样本数据进行预处理，通过数据清洗，去除异常数据和无效数据；

步骤3、基于皮尔森相关系数和最大信息系数构建识别差异表达操作变量的方法，获取样本数据中各变量之间的关联关系，筛选出N个变量作为操作变量；所述操作变量包括五个维度的基本属性作为操作变量，分别为原料性质、待生吸附剂性质、再生吸附剂性质、精炼工艺参数性质以及精炼汽油性质；

步骤4、将获得操作变量样本数据进行分类，分为训练集和测试集；

步骤5、以精炼汽油辛烷值和含硫量为约束条件，在训练集的基础上，基于DA优化的BP神经网络进行模型训练学习，获得第一辛烷值预测模型；

步骤6、在测试集的基础上，对获得的第一辛烷值预测模型进行测试，在满足预设的预测精度基础上最终输出模型作为辛烷值的预测模型，否则返回步骤5通过BP超参数调节进行模型优化，直到满足预设的预测精度；

步骤7、以最终输出的辛烷值的预测模型对实时获得的汽油精炼数据进行辛烷值预测输出。

优选地，在所述步骤3中，筛选出变量作为操作变量的具体操作包括：

计算各输入的变量之间的皮尔森相关系数，将彼此间皮尔森相关系数超过设定阈值的特征划归为相同类；

计算每个类内的各输入的变量与输出的最大互信息数并取均值，作为该类与输出结果间的相关程度度量，选择与结果相关程度最高的指定数目的类；

从被选择的多个类中，选择与结果间最大互信息数最高的一个特征保留，将所有被保留的特征作为预测模型的输入，即作为操作变量。

优选地，在所述步骤5中，以满足精炼前后汽油辛烷值损失控制在30％以内且硫含量小于等于5μg/g为约束条件，建立第一辛烷值预测模型。

优选地，在步骤5中，建立第一辛烷值预测模型的具体操作包括以下过程：

1)结合经验公式获得神经网络的隐含层节点数量n₁的范围，其中n为输入神经元数量，即输入特征数量，m为输出神经元数量，即预测值数量，k为训练集的样本数量；

2)基于最小估测值和最大估测值关系确定隐含层节点数量n₁的范围；