[发明专利]基于粒子群算法和神经网络的辛烷值损失预测方法

说明书

本发明提出了一种基于粒子群算法和神经网络的辛烷值损失预测方法，其步骤为：首先，采集催化裂化汽油精制脱硫装置中的操作变量的原始数据和辛烷值损失值数据，并对操作变量的原始数据进行预处理；其次，采用决策树回归和皮尔森相关系数对处理后的数据进行特征筛选，得到特征变量；再利用特征变量对应的样本数据和辛烷值损失值数据对四层BP神经网络进行训练得到辛烷值损失预测模型；最后，利用粒子群算法和辛烷值损失预测模型对特征变量对应的样本数据进行迭代寻优，输出最小的辛烷值损失值对应的特征变量的取值。本发明通过将粒子群算法和BP神经网络相结合寻找最小的辛烷值损失值对应的特征变量的取值，避免了重复训练的过程，提高了预测效率。

技术领域

本发明涉及石油化工技术领域，特别是指一种基于粒子群算法和神经网络的辛烷值损失预测方法。

背景技术

随着工业的发展，人们在享受到更加便捷生活的同时也对环境造成了一定的破坏。当今世界对环保问题越来越重视，小型车辆的主要燃料是汽油，汽车尾气的排放是造成大气环境污染的主要因素之一。因为汽车市场的迅速发展，汽油的消耗量越来越大，导致释放到大气中的汽车尾气污染物的量越来越大。我国对此制定了日益严格的汽油质量标准，汽油清洁化重点是尽量保持其辛烷值的情况下降低汽油中的硫、烯烃含量。同时，辛烷值是反映汽油燃烧性能的最重要指标，并作为汽油的商品牌号(例如89#、92#、95#)。国Ⅴ的汽油标准首次规定了商品汽油硫含量不能高于10μg/g，国Ⅵ汽油标准在规定控制硫含量不超过10μg/g的同时，要求烯烃和芳烃含量尽可能降低，进一步降低氮氧化物和颗粒物的排放限值。

随着催化裂化过程中原料逐渐重质化和劣质化，生产的汽油中硫含量也在逐渐增大。同时由于催化裂化汽油中烯烃和硫分布不均匀，汽油馏分中烯烃含量高，而重汽油馏分中硫含量高。传统的加氢脱硫技术，在脱硫的同时烯烃饱和量较大，因而造成辛烷值损失较大。因此大幅度降低催化裂化汽油的硫含量，适当降低烯烃的含量，同时保持较低的辛烷值和收率损失，成为了催化裂化汽油脱硫精制的目标。我国商品汽油的70％都是催化裂化汽油。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。现有技术在对催化裂化汽油进行脱硫和降烯烃过程中，在一定程度上降低了汽油辛烷值。辛烷值每降低1个单位，相当于损失约150元/吨。增加汽油辛烷值和减少汽油中的硫含量，同时能够产生巨大的经济效益。化工过程的建模一般是通过数据关联或机理建模的方法来实现的，取得了一定的成果。但是由于炼油工艺过程的复杂性以及设备的多样性，它们的操作变量(控制变量)之间具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

针对上述背景技术中存在的不足，本发明提出了一种基于粒子群算法和神经网络的辛烷值损失预测方法，解决了现有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，优化效果差的技术问题。

本发明的技术方案是这样实现的：

一种基于粒子群算法和神经网络的辛烷值损失预测方法，其步骤如下：

步骤一：采集催化裂化汽油精制脱硫装置中的操作变量的原始数据和辛烷值损失值数据，并对操作变量的原始数据进行预处理，得到操作变量的样本数据；

步骤二：采用决策树回归和皮尔森相关系数对操作变量的样本数据进行特征筛选，得到特征变量及特征变量对应的样本数据；

步骤三：构建四层BP神经网络，利用特征变量对应的样本数据和辛烷值损失值数据对四层BP神经网络进行训练得到BP神经网络模型，并将BP神经网络模型作为辛烷值损失预测模型；

步骤四：利用粒子群算法和辛烷值损失预测模型对特征变量对应的样本数据进行迭代寻优，输出最小的辛烷值损失值对应的特征变量的取值。

所述对操作变量的原始数据进行预处理，得到操作变量的样本数据的方法为：