[發明專利]一種汽油精制過程中的路徑優化模型

有效

• 申請號: 202111319967.2
• 申請日: 2021-11-09
• 公開（公告）號: CN114021463B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 金晶亮;溫晴嵐;邱亞茹;程思齊;張慶亮;郭曉君;張霰月
• 申請（專利權）人: 南通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F18/23;G06N3/04;G06N3/08
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 許潔

1.一種汽油精制過程中的路徑優化模型，其特征在于：以辛烷值損失為目標函數，產品硫含量要求以及操作變量變化范圍作為約束條件，建立兩階段優化模型；具體包括如下步驟：

步驟一、預處理：

采集催化裂化汽油精制裝置中的運行數據，對原始數據和樣本數據進行預處理；

步驟二、主要變量優化：

通過GBDT梯度下降回歸樹篩選出預測模型的主要變量；

GBDT由三部分組成：DT決策樹、GB學習策略和Shinkage，由多棵樹決策組成，所有樹的結果累加起來就是最終結果；GBDT的含義是用GB的策略訓練出DT模型；模型的結果是一組回歸分類樹組合；GBDT的思想是不斷擬合殘差，使殘差不斷減少，模型最后輸出一個樣本在各個樹中輸出的殘差總和；

GBDT能夠自動刻畫多組特征間的交互作用，該模型提供了每個特征即變量的重要度，自變量的重要度越高，其對預測變量的解釋性越好，變量的重要度作為特征選擇的決策參考；特征E的全局重要度通過特征其在單棵樹中的重要度的平均值來衡量：

式中：M是樹的數量；特征E在單棵樹中的重要度如下：

式中：J-1為樹的非葉子節點數量，樹均為二叉樹，v_t是和節點t相關聯的特征，是節點t分裂之后平方損失的減少值；

步驟三、建立模型：

通過BP神經網絡分別建立主要操作變量優化的兩階段優化模型；兩階段優化模型：第一階段為辛烷值損失優化模型，第二階段為操作變量優化模型。

2.根據權利要求1所述的一種汽油精制過程中的路徑優化模型，其特征在于：所述步驟1中預處理：基于石化企業中催化裂化汽油精制裝置中采集數據樣本，依據數據預處理的方法，對數據庫中的數據樣本及操作變量進行數據清洗，得到包含操作變量的樣本數據；主要對原始數據、樣本數據進行了剔除異常值、標準化的預處理。

3.根據權利要求1所述的一種汽油精制過程中的路徑優化模型，其特征在于：在GBDT模型中，選取辛烷值損失為預測變量，分別為原料性質、待生吸附劑性質、再生吸附劑性質以及另外包含操作變量的樣本數據作為自變量，建立辛烷值損失的預測模型，經過GBDT模型篩選少量的操作變量作為后續問題的主要變量。

4.根據權利要求1所述的一種汽油精制過程中的路徑優化模型，其特征在于：所述第一階段為辛烷值損失優化模型，即求解辛烷值損失最小時，各操作變量所需達到的最優值；具體形式如下：

min?f_RON損失值(j)＝BP_RON(x_A，x_i,j)????????????????????????(1)

式中：i為操作變量，j為樣本，x_i,j本階段的優化變量，即第j個樣本的第i個操作變量，f_RON損失值(j)為本階段的優化目標，即第j個樣本的辛烷值損失目標，Def_i為第i個操作變量的下界，Inf_i為第i個操作變量的上界，x_A為非操作變量，S_max為硫含量標準上限，BP_RON(x_A，x_i,j)為辛烷值損失神經網絡預測函數，BP_S(x_A，x_i,j)為脫硫值神經網絡預測函數，通過上述模型可以求得第j個樣本的辛烷值損失最優結果，記為同時得到第j個樣本的辛烷值對應的操作變量最優解，記為從而為后續操作變量的逐步優化調整提供了基礎。

5.根據權利要求4所述的一種汽油精制過程中的路徑優化模型，其特征在于：所述第二階段為操作變量優化模型，即操作變量通過一定的調整步數達到其最優取值；具體形式如下：

式中：n為本階段的優化變量，即第j個樣本的第i個操作變量需要調整的步數；f_V(i,j)為本階段的優化目標，即第j個樣本的i個操作變量的調整量；為第j個樣本的第i個操作變量的原始數據值，Δ_i為第i個操作變量的可調步長，N_ij為第j個樣本的第i個操作變量所需調整的次數。