(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111319967.2 (22)申请日 2021.11.09 (71)申请人 南通大学 地址 226000 江苏省南 通市啬园路9号 (72)发明人 金晶亮　温晴岚　邱亚茹　程思齐　 张庆亮　郭晓君　张霰月　 (74)专利代理 机构 南京瑞弘专利商标事务所 (普通合伙) 32249 代理人 许洁 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种汽油精制过程中的路径优化模型 (57)摘要 本发明公开一种汽油精制过程中的路径优 化模型， 通过数据挖掘技术提取影 响辛烷值损失 的关键变量， 进而建立辛烷值损失预测模型， 基 于该模型对每个样本的操作条件进行优化。 力求 在保证汽油产品进一步脱硫效果的前提下， 尽量 降低汽油辛 烷值损失， 实现汽油产品的清洁化。 权利要求书2页 说明书11页 附图6页 CN 114021463 A 2022.02.08 CN 114021463 A 1.一种汽油精制过程中的路径优化模型， 其特征在于： 以辛烷值损失为目标函数， 产品 硫含量要求以及操作变量变化范围作为约束条件， 建立两阶段优化模型； 具体包括如下步 骤： 步骤一、 预处 理： 采集催化裂化汽油精制装置中的运行 数据， 对原 始数据和样本数据进行 预处理； 步骤二、 主 要变量优化： 通过GBDT梯度下降回归树筛 选出预测模型的主 要变量； 步骤三、 建立模型： 通过BP神经网络分别建立主要操作变量优化的两阶段优化模型； 两阶段优化模型： 第 一阶段为 辛烷值损失优化模型， 第二阶段为操作变量优化模型。 2.根据权利要求1所述的一种 汽油精制过程中的路径优化模型， 其特征在于： 所述步骤 1中预处理： 基于石化 企业中催化裂化汽油精制装置中采集数据样本， 依据数据预处理的方 法， 对数据库中的数据样本及操作变量进 行数据清洗， 得到包含操作变量的样本数据； 主要 对原始数据、 样本数据进行了剔除异常值、 标准 化的预处 理。 3.根据权利要求1所述的一种 汽油精制过程中的路径优化模型， 其特征在于： 所述步骤 二中GBDT由三部分组成： DT决策树、 GB学习策略和Shinkage， 由多棵树决策组成， 所有树的 结果累加起来就是最终结果； GBDT的含义是用GB的策 略训练出DT模型； 模型的结果是一组 回归分类树组合； GBDT的思想是不断拟合残差， 使残差不断减少， 模型最后输出一个样本在 各个树中输出的残差总和； GBDT能够自动刻画多组特征间的交互作用， 对于非线性变量之间的学习也具有较 高的 精确度， 该模 型提供了每个特征(变量)的重要度， 自变量的重要度越高， 其对预测变量的解 释性越好， 通常变量的重要度作为特征选择的决策参考； 特征E的全局重要度通过特征其在 单棵树中的重要度的平均值 来衡量： 式中： M是树的数量； 特 征E在单棵树中的重要度如下： 式中： J‑1为树的非叶子节点数量(均为二叉树)， vt是和节点t相关联的特征， 是节点t 分裂之后平方损失的减少值。 4.根据权利要求1所述的一种汽油精制过程中的路径优化模型， 其特征在于： 在 GBDT模 型中， 选取辛烷值损失为预测 变量， 分别为原料性质、 待生吸附剂性质、 再生吸附剂性质以 及另外包含操作变量的样本数据作为自变量， 建立辛烷值损失的预测模型， 经过GBDT模型 筛选少量的操作变量作为后续问题的主 要变量。 5.根据权利要求1所述的一种 汽油精制过程中的路径优化模型， 其特征在于： 所述第 一 阶段为辛烷值损失优化模型， 即求解辛烷值损失最小时， 各操作变量所需达到的最优值； 具 体形式如下： minfRON损 失值(j)＝BPRON(xA， xi,j) (1)权　利　要　求　书 1/2 页 2 CN 114021463 A 2式中： i为操作变量， j为样本， xi,j本阶段的优化变量， 即第j个样本 的第i个操作变量， fRON损 失值(j)为本阶段的优化目标， 即第j个样本的辛烷值损失目标， Defi为第i个操作变量的 下界， Infi为第i个操作变量的上界， xA为非操作变量， Smax为硫含量标准上限， BPRON(xA， xi,j) 为辛烷值损失神经网络预测函数， BPS(xA， xi,j)为脱硫值神经网络预测函数， 通过上述模型 可以求得第j个样本的辛烷值损失最优结果， 记为 同时得到第j个样本的辛烷值 对应的操作变量 最优解， 记为 从而为后续操作变量的逐步优化调整提供了基础。 6.根据权利要求1所述的一种 汽油精制过程中的路径优化模型， 其特征在于： 所述第 二 阶段为操作变量优化模型， 即操作变量通过一定的调整步数达到其最优取值； 具体形式如 下： 式中： n为本阶段的优化变量， 即第j个样本的第i个操作变量需要调整的步数； f△(i,j) 为本阶段的优化目标， 即第j 个样本的i个操作变量的调整量； 为第j个样 本的第i个操作 变量的原始数据值， △i为第i个操作变量的可调步长， Nij为第j个样本的第i个操作变量所 需调整的次数。权　利　要　求　书 2/2 页 3 CN 114021463 A 3