[發(fā)明專利]一種汽油精制過程中的路徑優(yōu)化模型

有效

• 申請?zhí)枺?/td>: 202111319967.2
• 申請日: 2021-11-09
• 公開（公告）號: CN114021463B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）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(quán)）人: 南通大學(xué)
• 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(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 許潔

本發(fā)明公開一種汽油精制過程中的路徑優(yōu)化模型，通過數(shù)據(jù)挖掘技術(shù)提取影響辛烷值損失的關(guān)鍵變量，進(jìn)而建立辛烷值損失預(yù)測模型，基于該模型對每個樣本的操作條件進(jìn)行優(yōu)化。力求在保證汽油產(chǎn)品進(jìn)一步脫硫效果的前提下，盡量降低汽油辛烷值損失，實(shí)現(xiàn)汽油產(chǎn)品的清潔化。

技術(shù)領(lǐng)域

本發(fā)明涉及煉油領(lǐng)域，具體涉及一種汽油精制過程中的路徑優(yōu)化模型。

背景技術(shù)

汽車行駛工況(Driving?Cycle)又稱車輛測試循環(huán)，是描述汽車行駛的速度-時(shí)間曲線。行駛工況作為車輛能耗/排放測試方法和限值標(biāo)準(zhǔn)的基礎(chǔ)，體現(xiàn)汽車道路行駛的運(yùn)動學(xué)特征，是汽車行業(yè)的一項(xiàng)重要的、共性基礎(chǔ)技術(shù)，也是汽車各項(xiàng)性能指標(biāo)標(biāo)定優(yōu)化時(shí)的主要基準(zhǔn)。本世紀(jì)初，我國直接采用新歐洲標(biāo)準(zhǔn)行駛循環(huán)(NEDC)行駛工況對汽車產(chǎn)品能耗/排放的認(rèn)證。近年來，隨著汽車保有量的快速增長，我國道路交通狀況發(fā)生很大變化，政府、企業(yè)和民眾日漸發(fā)現(xiàn)以NEDC工況為基準(zhǔn)所優(yōu)化標(biāo)定的汽車，實(shí)際油耗與法規(guī)認(rèn)證結(jié)果偏差越來越大。歐洲在多年的實(shí)踐中也發(fā)現(xiàn)NEDC工況的諸多不足，轉(zhuǎn)而采用世界輕型車測試循環(huán)(WLTC)，但該工況怠速時(shí)間比和平均速度這兩個最主要的工況特征，與我國實(shí)際汽車行駛工況的差異更大。另一方面，我國地域遼廣，各個城市的發(fā)展程度、氣候條件及交通狀況的不同，使得各個城市的汽車行駛工況特征存在明顯的不同。為了更好地理解建立汽車行駛工況曲線的重要性，深入研究作為車輛開發(fā)、評價(jià)的基礎(chǔ)的依據(jù)，制定反映我國實(shí)際道路行駛狀況的測試工況，顯得越來越重要。

發(fā)明內(nèi)容

針對上述現(xiàn)有技術(shù)存在的問題，由于汽車行駛數(shù)據(jù)的采集設(shè)備直接記錄的原始采集數(shù)據(jù)往往會包含一些不良數(shù)據(jù)，因此，需設(shè)計(jì)合理的方法對原始不良數(shù)據(jù)進(jìn)行預(yù)處理，從而完成運(yùn)動學(xué)片段的提取根據(jù)上述經(jīng)預(yù)處理后的數(shù)據(jù)，利用主成分分析和聚類分析法，生成一條能體現(xiàn)參與數(shù)據(jù)采集汽車行駛特征的汽車行駛工況曲線，并與原始數(shù)據(jù)進(jìn)行比較，歸納檢驗(yàn)結(jié)果。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種汽油精制過程中的路徑優(yōu)化模型，以辛烷值損失為目標(biāo)函數(shù)，產(chǎn)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(yōu)化模型；具體包括如下步驟：

步驟一、預(yù)處理：

采集催化裂化汽油精制裝置中的運(yùn)行數(shù)據(jù)，對原始數(shù)據(jù)和樣本數(shù)據(jù)進(jìn)行預(yù)處理；

步驟二、主要變量優(yōu)化：

通過GBDT梯度下降回歸樹篩選出預(yù)測模型的主要變量；

步驟三、建立模型：

通過BP神經(jīng)網(wǎng)絡(luò)分別建立主要操作變量優(yōu)化的兩階段優(yōu)化模型；兩階段優(yōu)化模型：第一階段為辛烷值損失優(yōu)化模型，第二階段為操作變量優(yōu)化模型。

進(jìn)一步的，所述步驟1中預(yù)處理：基于石化企業(yè)中催化裂化汽油精制裝置中采集數(shù)據(jù)樣本，依據(jù)數(shù)據(jù)預(yù)處理的方法，對數(shù)據(jù)庫中的數(shù)據(jù)樣本及操作變量進(jìn)行數(shù)據(jù)清洗，得到包含操作變量的樣本數(shù)據(jù)，主要對原始數(shù)據(jù)、樣本數(shù)據(jù)進(jìn)行了剔除異常值、標(biāo)準(zhǔn)化的預(yù)處理。

進(jìn)一步的，所述步驟二中GBDT由三部分組成：DT決策樹、GB學(xué)習(xí)策略和Shinkage，由多棵樹決策組成，所有樹的結(jié)果累加起來就是最終結(jié)果；GBDT的含義是用GB的策略訓(xùn)練出DT模型；模型的結(jié)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，對于非線性變量之間的學(xué)習(xí)也具有較高的精確度，該模型提供了每個特征(變量)的重要度，自變量的重要度越高，其對預(yù)測變量的解釋性越好，通常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(shù)量；特征E在單棵樹中的重要度如下：