[发明专利]基于生产数据的汽油辛烷值预测方法

说明书

本发明提供一种基于生产数据的汽油辛烷值预测方法。预先采集汽油脱硫装置的数据，并对该数据进行预处理。根据预处理后的生产数据特征集，通过使用Boruta算法进行特征选择，并在创建阴影特征时按照比例P对阴影特征进行随机重排，并通过多次循环标记得到最优子特征，最后使用XGboost模型，对汽油辛烷值进行预测。基于生产数据的汽油辛烷值预测方法将机器学习算法模型应用于化工生产领域，通过改进的Boruta算法来提取特征，在提高了运行效率的同时，提取出了所有重要的特征且保留特征的独立性，在特征提取的基础上使用XGboost模型准确预测汽油辛烷值。

技术领域

本发明涉及汽油生产的化工技术领域，特别涉及基于生产数据的汽油辛烷值预测方法。

背景技术

随着我国对汽油的需要日益增加，对于汽油质量也有了更高的要求，而我国原油超过70％来自国外，且大部分是来自中东地区的含硫和高硫原油。原油中的重油通常占比40-60％，这部分重油(以硫为代表的杂质含量也高)难以直接利用。为了有效利用重油资源，我国大力发展了以催化裂化为核心的重油轻质化工艺技术，将重油转化为汽油、柴油和低碳烯烃，超过70％的汽油是由催化裂化生产得到，因此成品汽油中95％以上的硫和烯烃来自催化裂化汽油。故必须对催化裂化汽油进行精制处理，以满足对汽油质量要求。

但是，现有技术在对催化裂化汽油进行脱硫和降烯烃过程中，难以精确控制汽油辛烷值，普遍降低了汽油辛烷值，造成了经济效益的巨大损失。

其次，由于炼油工艺过程的复杂性以及设备的多样性，它们的生产操作变量之间有高度非线性和相互强耦联的关系，而且传统的数据关联模型中变量相对较少、机理建模对原料的分析要求较高，对过程优化的响应不及时，所以效果并不理想。

发明内容

本发明的目的在于提供一种基于生产数据的汽油辛烷值预测方法，以解决高维非线性数据建模的问题。

为了解决上述技术问题，本发明的技术方案是：提供一种基于生产数据的汽油辛烷值预测方法，包括以下步骤：

步骤一、通过催化裂化汽油精制脱硫装置采集数据；

步骤二、对采集到的数据进行预处理；

步骤三、基于改进的Boruta算法进行特征选择，并将特征子集划分训练集和测试集；

步骤四、通过训练集确定XGboost模型的参数；

步骤五、对XGboost模型预测结果进行评估。

进一步地，步骤一中的数据包括多个样本，每个所述样本包括原料数据和运行变量数据。

进一步地，所述样本的数量为325个样本，每个所述样本包括的原料数据具有11个特征，以及包括的运行变量数据具有354个特征。

进一步地，步骤二中的预处理包括删除超出变量范围的异常数据，删除缺失值大于百分之30的字段，缺失值小于百分之30的字段使用平均值填充，根据拉伊达准则去除异常值。

进一步地，在步骤三中，通过多次循环标记得到最优特征子集，将原料数据和运行变量数据的最优特征子集合并，然后将该数据集划分为训练集和测试集。

进一步地，在步骤四中，通过对模型中的9个参数进行网格搜索法选取最优参数。

进一步地，使用拟合优度R2、均方误差MSE和平均绝对误差MAE作为评估指标，选取最优参数，

式中：m是样本的个数，代表预测数据，y_i代表真实数据，代表真实数据的平均值。