[发明专利]异质多模型辛烷值与抗爆系数分级预测集成建模方法

说明书

本发明公开了一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，包括以下步骤：采用K折交叉验证法对多个异质学习器进行参数调优和优选，分别建立多个辛烷值预测子模型和多个抗爆系数预测子模型；分别对多个辛烷值预测子模型和多个抗爆系数预测子模型进行线性集成或非线性集成，建立辛烷值集成模型和抗爆系数集成模型；基于辛烷值集成模型得到辛烷值的预测结果；基于抗爆系数集成模型得到抗爆系数的预测结果。本发明考虑抗爆系数对辛烷值依赖的两类异质集成分级建模方法，具有更优的性能，可用于成品汽油调和过程中辛烷值和抗爆系数的准确预测，有望解决辛烷值和抗爆系数数据缺失问题，为后期配方模型的建立奠定数据基础。

技术领域

本发明涉及汽油调和指标预测技术领域，更具体的说是涉及一种异质多模型辛烷值与抗爆系数分级预测集成建模方法。

背景技术

油品调和作为炼油厂最后工序，是一项十分复杂同时又蕴藏巨大利润空间的工业过程。而作为成品汽油调和中的关键品质指标辛烷值与抗爆系数，至今却因测量技术的局限难以有效获取，对汽油调和过程中配方模型的准确建立带来困难，直接影响了产品质量与企业效益。软测量技术的兴起与发展无疑为此提供了有效解决途径。但由于数据或算法的制约，软测量模型的精度仍有较大提升空间，因此，如何基于现代工业过程的储存数据，建立更精准的辛烷值和抗爆系数预测模型，解决配方数据中辛烷值和抗爆系数的缺失问题，进而为成品汽油调和配方模型的建立奠定数据基础就显得尤为重要。

在实际应用中，高性能预测模型的建立，不仅取决于建模算法和集成策略的优选，更离不开对生产工艺和测量数据获取流程的深度解析。对于辛烷值和抗爆系数的预测，传统建模方法大多是将二者同时作为主导变量，或是采用相对单一建模算法，或是以加权平均集成方式融合几种算法，来建立它们与其它易测辅助变量的预测模型，但预测效果仍差强人意。其原因有三：一是忽视了工业测量数据获取中抗爆系数对辛烷值分析数据的依赖关系，粗略地将二者等同对待；二是单一建模算法的局限性，对存在批次加工原料生产的多工况，缺乏多样性与互补性；三是集成策略多为线性，对复杂工业过程的非线性因素，还难能适应。

因此，如何提供一种考虑异质模型的互补优势，以期提升模型的预测性能的异质多模型辛烷值与抗爆系数分级预测集成建模方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，考虑抗爆系数对辛烷值依赖的两类异质集成分级建模方法，具有更优的性能，可用于成品汽油调和过程中辛烷值和抗爆系数的准确预测，有望解决辛烷值和抗爆系数数据缺失问题，为后期配方模型的建立奠定数据基础。

为了实现上述目的，本发明采用如下技术方案：

一种异质多模型辛烷值与抗爆系数分级预测集成建模方法，包括以下步骤：

采用K折交叉验证法对多个异质学习器进行参数调优和优选，分别建立多个辛烷值预测子模型和多个抗爆系数预测子模型；

分别对多个所述辛烷值预测子模型和多个所述抗爆系数预测子模型进行线性集成或非线性集成，建立辛烷值集成模型和抗爆系数集成模型；

基于所述辛烷值集成模型得到辛烷值的预测结果；基于所述抗爆系数集成模型得到抗爆系数的预测结果。

进一步的，在上述一种异质多模型辛烷值与抗爆系数分级预测集成建模方法中，所述辛烷值预测子模型和所述抗爆系数预测子模型的建立过程包括：

确定与辛烷值和抗爆系数关联程度高、且易测的n种成品汽油指标，作为数据集一；

在所述数据集一上采用K折交叉验证法对多个异质学习器进行优选和参数调优，并基于最优参数利用数据集一对优选出的多个异质学习器进行训练，得到多个所述辛烷值预测子模型；

将所述辛烷值预测子模型预测输出的辛烷值和所述数据集一进行组合，得到数据集二；