申请/专利权人：南通大学

申请日：2022-06-21

公开（公告）日：2024-06-21

公开（公告）号：CN115115102B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.10.18#实质审查的生效;2022.09.27#公开

摘要：本发明公开了一种基于BP神经网络和条件生成对抗网络的汽油辛烷值损失预测与优化方法，包括以下步骤：采集催化裂化汽油历史数据，对历史数据进行预处理，降低冗余度和复杂度；对处理后的数据进行特征降维，筛选建模所需的主要数据成分，并建立筛选评价指标，评估筛选合理性；构建基于相对熵的BP神经网络预测模型，对汽油辛烷值损失进行预测；构建基于条件生成对抗网络的优化模型，以硫含量为约束条件，筛选规定损失幅度下的数据，并对筛选的数据的操作变量进行优化。本发明能够显著提高汽油辛烷值损失预测精度，降低汽油中硫和烯烃的含量，减少汽油燃烧后有害气体的排放，减轻汽车尾气引起的环境污染。

主权项：1.一种基于BP神经网络和条件生成对抗网络的汽油辛烷值损失预测及优化方法，其特征在于：包括如下步骤：步骤1采集催化裂化汽油历史数据，传输至后台服务器，对历史数据进行预处理，降低冗余度和复杂度；步骤2对预处理后的数据进行特征降维，筛选出建模所需的主要变量，并建立筛选评价指标，评估筛选合理性；步骤3构建基于相对熵的BP神经网络预测模型，对汽油辛烷值损失进行预测；步骤4构建基于条件生成对抗网络的优化模型，以硫含量为约束条件，筛选规定损失幅度下的数据，并对筛选的数据的操作变量进行优化；所述步骤3中，构建基于相对熵的BP神经网络预测模型，对汽油辛烷值损失进行预测，模型结构包含输入层、隐藏层和输出层，每一层由若干个神经元组成，任意相邻的两层之间均为全连接层，具体步骤如下：4-1采用自编码器添加稀疏性限制以此抑制过拟合的方法，对隐藏层进行稀疏性限制，在误差函数中加入KL散度作为额外的惩罚因子来限制隐藏层神经元的平均活跃度，设优化后的误差函数为 ρ为稀疏系数，通常情况下为一个接近于0的值，为训练集中隐藏层输出值的平均函数，ypred为模型输出的预测值，ytrue为真实值，目标函数即为两者误差最小；4-2设输入层变量矩阵为X，输入层到隐藏层之间的权重矩阵为W1、偏置矩阵为b1，隐藏层到输出层之间的权重矩阵为W2、偏置矩阵为b2，则隐藏层的输出hidden＝tanhX·W1+b1，输出层为：output＝tanhHidden·W2+b2；4-3在经过一次前向计算时，得到一次输出值output，模型中输出值即为预测的辛烷值，将输出值ypred与辛烷值的实际值ytrue进行比较，确定误差；4-4调整模型参数，重复训练直到得到模型最优解；4-5使用均方根误差RMSE、平均绝对误差MAE、决定系数R2、平均绝对百分比误差MAPE作为评价指标测试模型训练效果；所述步骤4中，构建基于条件生成对抗网络的优化模型，以硫含量为约束条件，筛选规定损失幅度下的数据，并对筛选的数据的操作变量进行优化，具体步骤如下：5-1根据硫含量将预处理后的原始数据划分为正样本和负样本，通过对预处理后的样本数据进行分析，以硫含量不大于5ugg为划分依据，对原始的样本数据进行样本集划分，样本标记公式为： 通过遍历操作，划分出正样本和负样本集，考虑到正负样本之间数量不平衡，会对后续实验结果产生影响，采用crossentropyCEloss的改进版，实现对正、负样本数目不平衡的调整，公式为：FLpt＝-∝t1-ptγlogpt125-2搭建CGAN神经网络，将正、负样本结合条件变量输入判别器进行训练，具体步骤如下：5-2-1搭建基于条件生成对抗网络CGAN的样本生成模型框架，CGAN是在GAN基础上做的一种改进，通过对原始的GAN的生成器和判别器的输入量添加额外的条件信息，实现条件生成模型；5-2-2确定生成器和判别器网络结构，使用传统的全连接神经网络结构作为生成器和判别器的网络结构；5-2-3确定损失函数，原始的GAN的损失函数为： CGAN在添加额外信息后需要和a与z进行合并，作为G和D的输入，因此构建的CGAN损失函数公式为： 5-2-4组合辛烷值损失预测模型，通过辛烷值损失预测模型，寻找损失降幅大于规定值的样本对应的主要变量优化后的操作条件；5-3将条件变量输入生成器生成操作变量，并利用判别器进行生成器的训练，利用训练好的CGAN神经网络输出每个样本的操作变量，使用正样本集和负样本集对判别器网络的进行训练，使用公式FLpt＝-∝t1-ptγlogpt15对损失值进行调整，降低数据偏向性，将训练好的判别器模型参数放入CGAN网络中，输入为原料性质、产品性质、待生吸附剂性质、再生吸附剂性质筛选后的变量，训练完CGAN网络后，利用CGAN网络生成器对条件变量的操作变量进行生成；5-4利用步骤3建立的辛烷值损失预测模型预测每个样本的操作变量相应的损失值，并计算辛烷值RON损失降幅大于规定值的样本对应的主要变量优化后的操作条件。

全文数据：

权利要求：

百度查询： 南通大学 一种基于BP神经网络和条件生成对抗网络的汽油辛烷值损失预测及优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD