基于罐底批次的成品汽油调和混合配方模型建模方法

1.本发明涉及汽油调和技术领域，更具体的说是涉及一种基于罐底批次的成品汽油调和混合配方模型建模方法。


背景技术：

2.目前，随着绿色环保理念的日益推进，我国汽柴油质量标准升级速度不断加快，这就需要炼油企业的油品调和技术不断升级跟进。在罐式在线调和过程中，罐底通常会留有约占调和罐1/6的余油，且调和组分受不同产地原油影响，进而导致调和过程呈现批次现象；同时，调和过程中呈现非线性状态，现有技术中采用保守批次配方模型，确保了一次调和成功。
3.但是，在实际工业中，为了提高企业的生产效益，还需使油品趋近卡边生产。这需要建立高精度的卡边配方模型，然而卡边配方模型的建立依然存在问题，一是企业生产中卡边数据极少，如何允以补充完备；二是卡边配方建模方法的选择与优化。
4.因此，如何提供一种基于罐底批次的成品汽油调和混合配方模型建模方法是本领域技术人员亟需解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于罐底批次的成品汽油调和混合配方模型建模方法，采用保守配方模型与卡边配方模型融合的策略，既能保证一次调和率且趋近卡边生产，同时确保配方生成系统能够可持续使用为目标，用以解决现有技术中的缺陷。
6.为了实现上述目的，本发明采用如下技术方案：基于罐底批次的成品汽油调和混合配方模型建模方法，包括：步骤1：建立保守配方模型与卡边配方模型；步骤2：将所述保守配方模型与所述卡边配方模型进行融合，获取混合配方模型。
7.优选的，步骤1中，所述保守配方模型建立过程为：步骤1-1：基于初始化隶属度矩阵利用改进的mkfcm算法对历史罐底余油组分聚类，获取各批次类别以及隶属于各批次的隶属度矩阵；步骤1-2：采用xgboost对所述各个批次类别分别建立对应的子配方模型；步骤1-3：将当前罐余油组分基于改进的mkfcm算法聚类，将聚类得到的隶属度作为当前罐各批次子配方模型的融合系数；将当前罐余油组分以及欲达到要求的质量指标输入各批次子配方模型，得出当前罐关于各批次子配方模型的预测值；将当前罐各批次子配方模型的融合系数以及预测值进行加权融合，生成保守配方模型。
8.优选的，步骤1-1中，对历史罐底余油组分进行聚类，使得聚类算法的目标函数最小，其步骤为：
9.步骤1-1-1：改进的mkfcm算法采用高斯核函数，高斯核函数为：
[0010][0011]
步骤1-1-2：根据整体核参数以及罐底油各组分，计算各个核函数参数，所述各个
核函数参数公式为：
[0012][0013]
其中，k(x,y)为高斯核函数，min(
·
)为各个组分距离的最小值，σk为第k个子核函数的核参数，x
ik
为第i个样本的第k特征数值，x
jk
为第j个样本的第k个特征数值，i为第i个样本，j为该样本的第j个特征，x为高斯核函数第一个自变量，此处指样本的特征值，y为高斯核函数第二个自变量，此处指样本的特征值，σ为自适应选取子核参数的整体核参数；
[0014]
步骤1-1-3：根据各个核函数以及初始化核权重向量，计算总核函数以及初始化隶属度矩阵；步骤1-1-4：根据初始化隶属度矩阵，获取标准化隶属度矩阵；步骤1-1-5：根据标准化隶属度矩阵，计算系数α，β；步骤1-1-6：根据所述系数β，计算核函数融合权值矩阵；步骤1-1-7：根据核函数融合权值矩阵以及所述系数α，计算距离矩阵；步骤1-1-8：根据距离矩阵，获取更新的隶属度矩阵；步骤1-1-9：重复步骤1-1-2至1-1-8，直至更新的隶属度矩阵满足预设的收敛条件；步骤1-1-10：根据得到的隶属度矩阵对历史罐底余油的各组分添加比例进行批次类别划分；
[0015]
步骤1-2中，所述各批次子配方模型的建立过程包括：步骤1-2-1：设置子配方模型的循环参数k，并令k＝0；步骤1-2-2：判断循环参数k是否小于等于预设值；若否或者满足收敛条件时，并跳出此循环；若是，重复步骤1-2-3至1-2-6；步骤1-2-3：将各个批次类别数据分为第一训练集和第一测试集；步骤1-2-4：基于所述第一训练集训练子配方模型，得到训练后的子配方模型；步骤1-2-5：基于所述第一测试集对训练后的子配方模型进行测试，获取测试的子配方模型结果后进行评价指标的计算；步骤1-2-6：循环参数k增加1次，回到步骤1-2-2。
[0016]
优选的，所述步骤1中，所述卡边配方模型的建立过程为：步骤1-4：将历史卡边数据分为第二训练集和第二测试集；步骤1-5：预训练xgboost模型，包括对xgboost模型参数进行初始化；步骤1-6：将所述第二训练集输入到所述保守配方模型中，计算l
soft
值；将所述第二训练集输入到所述xgboost模型中，计算l
hard
值；其中，ys为xgboost模型输出的预测值，y
t
为保守配方模型经过改进softmax输出的概率值，y
true
为保守配方模型经过改进softmax输出的真实值，l
soft
为ys与y
t
的误差函数，l
hard
为ys与y
true
的误差函数；步骤1-7：若l
hard
+m值大于l
soft
值，执行l＝λl
soft
(ys,y
t
)+(1-λ)l
hard
(ys,y
true
)；否则执行l＝l
hard
(ys,y
true
)，其中，l为总损失值，λ为加权系数，m为常数；步骤1-8：基于所述损失总值对所述xgboost模型参数进行更新，重复步骤1-6至1-7，直至第二训练集输出的预测值与输出的真实值误差小于阈值，此时xgboost模型训练完成，得到卡边配方模型；步骤1-9：将所述第二测试集输入到训练后的卡边配方模型，并进行评价。
[0017]
优选的，所述步骤2中，融合方法包括基于pso优化权重更新的在线配方维护策略和基于集成学习思想的在线配方维护策略，当所述基于pso优化权重更新的在线配方维护策略失效时，采用所述基于集成学习思想的在线配方维护策略。
[0018]
优选的，所述基于pso优化权重更新的在线配方维护策略为：步骤2-1-1：初始化保守配方模型和卡边配方模型的权值；步骤2-1-2：采用平均加权对保守配方模型和卡边配方模型进行融合，并建立混合配方模型；步骤2-1-3：对按照当前权值调和的在线样本进行评
估；步骤2-1-4：判断在线样本是否达到期望值，若是，输出当前配方，建模结束；若否，对权值进行在线更新，并返回步骤2-1-2。
[0019]
优选的，所述步骤2-1-4中，所述权值在线更新过程中，输入为期望的调和质量参数，输出为保守配方模型和卡边配方模型的权值，包括以下步骤：步骤2-1-4-1：初始化调节参数；步骤2-1-4-2：计算保守配方模型权值和卡边配方模型权值；步骤2-1-4-3：根据计算的权值对保守配方模型和卡边配方模型进行加权平均融合，更新混合配方模型权值；步骤2-1-4-4：判断调和后的质量指标是否满足期望值，若满足，则混合配方模型调和完成；若不满足，则继续步骤2-1-4-5；步骤2-1-4-5：计算调节速率；步骤2-1-4-6：重复步骤2-1-4-2到2-1-4-4，直至调和后汽油质量达到期望质量指标。
[0020]
优选的，所述权值初始值与卡边配方模型的初始参数获取过程为：步骤2-1-1-1：对pso中粒子参数进行初始化设置；步骤2-1-1-2：计算各个粒子的适应度函数，获取各个粒子的当前个体最优以及整个粒子群的全局最优；步骤2-1-1-3：更新各个粒子的速度和位置；步骤2-1-1-4：判断是否达到最大迭代次数，若是，输出最优参数解并进入步骤2-1-1-5；若否，返回步骤2-1-1-2；步骤2-1-1-5：将得到的最优参数解分别赋予所述权值初始值以及所述卡边配方模型的初始参数。
[0021]
优选的，本发明所涉及的损失函数采用均方误差，即损失函数公式为：
[0022][0023]
其中，y为原始被估计量，为估计量，n为估计量的个数，为正整数，1≤i≤n。
[0024]
优选的，所述基于集成学习思想的在线配方维护策略过程为：步骤2-2-1：将所述在线样本划分为第三训练集和第三测试集；步骤2-2-2：将所述第三训练集分别输入到保守配方模型和卡边配方模型中，计算训练集在保守配方模型和卡边配方模型的预测值，并合并成一个新的训练集数据；步骤2-2-3：所述新的训练集数据用于次级模型的训练，从而获取所述次级模型；步骤2-2-4：将所述第三测试集分别输入到保守配方模型和卡边配方模型中，分别计算所述第三测试集在保守配方模型和卡边配方模型的预测值；步骤2-2-5：将步骤2-2-4计算的预测值输入到所述次级模型中，进行评价。
[0025]
优选的，所述历史罐底余油组分包括加氢汽油、醚化汽油、mtbe、车用异辛烷、汽油重芳烃、生成油、乙苯、甲苯以及二甲苯。
[0026]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于罐底批次的成品汽油调和混合配方模型建模方法，建立基于罐式批次的保守配方模型以及建立高精度的卡边配方模型，并基于两种融合策略获取混合配方模型，提高一次调和成功率，满足卡边生产等目的，从而达到减少企业生产成本，提高生产效益。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0028]
图1附图为本发明提供的混合配方模型流程示意图。
[0029]
图2附图为本发明提供的保守配方模型流程示意图。
[0030]
图3附图为本发明的改进mkfcm算法与xgboost结合的流程示意图。
[0031]
图4附图为本发明基于知识蒸馏的卡边配方模型流程示意图。
[0032]
图5附图为基于pso优化权重更新的在线配方维护策略流程示意图。
[0033]
图6附图为基于集成学习思想的在线配方维护策略流程示意图。
具体实施方式
[0034]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0035]
本发明实施例公开了一种基于罐底批次的成品汽油调和混合配方模型建模方法，步骤1：建立保守配方模型与卡边配方模型；步骤2：将保守配方模型与卡边配方模型进行融合，获取混合配方模型。本发明以保守配方模型作为输出卡边配方模型的数据给以补充和完备，针对迁移学习和模型方法结合后优化，得到卡边配方模型，使得油品趋近卡边生产，提高了企业的生产效益。
[0036]
在本实施例中，如图2，保守配方模型建立过程为：步骤1-1：基于初始化隶属度矩阵利用改进的mkfcm算法对历史罐底余油组分聚类，获取各批次类别以及隶属于各批次的隶属度矩阵；步骤1-2：采用xgboost对各个批次类别分别建立对应的批次子配方模型；步骤1-3：将当前罐余油组分基于改进的mkfcm算法聚类，将聚类得到的隶属度作为当前罐各子配方模型的融合系数；将当前罐余油组分以及欲达到要求的质量指标输入各个批次的子配方模型，得出当前罐关于各个批次的子配方模型的预测值；将当前罐各子配方模型的融合系数以及预测值进行加权融合，生成保守配方模型。本发明首先对mkfcm算法中核参数选取提出了一种自适应选取核参数的方法。其次通过采用多模型集成建模的思想，建立基于罐式批次的成品汽油调和精准配方模型，从而达到减少企业生产成本，提高生产效益，提高一次调和成功率。
[0037]
在本实施例中，如图3，本发明采用改进的mkfcm算法进行批次分类，采用非线性xgboost算法建立非线性配方子模型，改进的mkfcm算法采用高斯核函数，仅需要确定一个参数(子高斯核参数)便可构造。子高斯核参数的选取，反映着特征数据映射在希尔伯特空间的位置，从而对聚类效果产生一定影响。对于调和油的罐底余油而言，样本由9种组分的添加比例组成，其数据不仅仅是样本差异，而是一种样本矢量的差异。考虑罐底油各组分间可能服从不同的核概率分布，为使核参数简单便利，又能体现各组分的差异，本发明首先设定一个整体核参数，再计算出各个组分距离的最小值，最后算出该组分高斯核函数的参数值，从而使其具有自适应选取各个罐底组分特征核参数的能力。通过自适应公式可以计算出各个子核函数的核参数，进而避免了手动输入各个子核函数的核参数，从而实现了自适应选择。
[0038]
步骤1-1-1：本发明采用高斯核函数，其形式为：
[0039][0040]
步骤1-1-2：根据整体核参数以及罐底油各组分，计算具体各组分自适应选择核参数，其核参数的公式为：
[0041][0042]
其中，k(x,y)为高斯核函数，min(
·
)为各个组分距离的最小值，σk为第k个子核函数的核参数，x
ik
为第i个样本的第k特征数值，x
jk
为第j个样本的第k个特征数值，i为第i个样本，j为该样本的第j个特征，x为高斯核函数第一个自变量，此处指样本的特征值，y为高斯核函数第二个自变量此处指样本的特征值，σ为自适应选取子核参数的整体核参数。
[0043]
其次，对罐底油进行批次聚类。目的是使得聚类算法的目标函数最小，
[0044][0045][0046]
其中，为第j个样本的函数映射，c为第c个聚类中心，i为第i个样本，u
ij
为第j个样本在第i个子模型的权值，即为当前罐各子配方模型的融合系数，m为加权指数。
[0047]
步骤1-1-3：初始化核权重向量：
[0048]
输入整体核参数，以及罐底油各组分添加比例，计算各个核函数，公式为：
[0049][0050][0051]
其中，ωm为第m个特征映射，m为特征映射的个数以及核函数的个数，为第m个核函数的权重值。
[0052]
步骤1-1-4：初始化隶属度矩阵为内部元素全是的矩阵；根据下式可以标准化隶属度矩阵：
[0053][0054]
其中，为第i个样本对第c聚类中心的隶属度值的m次方，m为加权指数，n为样本个数，c为第c个聚类中心；
[0055]
步骤1-1-5：系数α计算公式为：
2。并且，本发明采用10折交叉验证以求测试结果更精确。此验证方法的优点在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次。第一次：使用后9个样本作为训练数据集训练模型；使用第一个样本当做测试数据集测试模型，记录模型在测试数据集中的测试结果。第二次：使用第二个样本当做测试数据集测试模型；使用剩余的9个样本作为训练数据集训练模型，记录模型在测试数据集中的测试结果。以此类推，直至10次结束。汇总所有的测试结果。
[0071]
在本实施例中，如图4，基于知识蒸馏的卡边配方模型的输入和输出的数据特征与保守配方模型一样，均为质量指标、罐底组分的添加比例，仅是数据量有所变化以及数据值发生变化。将保守配方模型作为教师模型，卡边配方模型作为学生模型，进而得到基于知识蒸馏与xgboost算法结合的方式的罐式批次卡边配方模型。步骤1的卡边配方模型的建立过程为：步骤1-4：将历史卡边数据分为第二训练集和第二测试集；步骤1-5：预训练xgboost模型，包括对xgboost模型参数进行初始化，并设置目标函数，目标函数为：
[0072][0073]
其中，ys为xgboost模型输出的预测值，y
t
为保守配方模型经过改进softmax输出的概率值，y
true
为保守配方模型经过改进softmax输出的真实值，l
soft
为ys与y
t
的误差函数，l
hard
为ys与y
true
的误差函数，λ为加权系数，m为常数；步骤1-6：将第二训练集输入到保守配方模型中，计算l
soft
值；将第二训练集输入到xgboost模型中，计算l
hard
值；步骤1-7：若l
hard
+m值大于l
soft
值，执行l＝λl
soft
(ys,y
t
)+(1-λ)l
hard
(ys,y
true
)；否则执行l＝l
hard
(ys,y
true
)，其中，l为损失总值，λ为加权系数，m为常数；步骤1-8：对xgboost模型参数进行更新，重复步骤1-6至1-7，直至第二训练集输出的预测值与输出的真实值误差小于阈值，此时xgboost模型训练完成，从而得到卡边配方模型；步骤1-9：将第二测试集输入到卡边配方模型，并进行评价。本发明引入知识蒸馏能较大的提升卡边配方模型性能。
[0074]
在本实施例中，步骤2中，融合方法包括基于pso优化权重更新的在线配方维护策略和基于集成学习思想的在线配方维护策略，当基于pso优化权重更新的在线配方维护策略失效时，采用基于集成学习思想的在线配方维护策略。
[0075]
在本实施例中，如图5，基于pso优化权重更新的在线配方维护策略为：步骤2-1-1：初始化保守配方模型和卡边配方模型权值；步骤2-1-2：采用平均加权对保守配方模型和卡边配方模型进行融合，并建立混合配方模型；步骤2-1-3：对按照当前权值调和的样本进行在线评估；步骤2-1-4：判断所述在线样本是否达到期望值，若是，输出当前配方，建模结束；若否，对权值进行在线更新，并返回步骤2-1-2。
[0076]
在本实施例中，如图5，权值初始值与卡边配方模型的初始参数(xgboost模型参数和知识蒸馏参数)获取过程为：步骤2-1-1-1：对pso中粒子参数进行初始化设置，粒子参数包括惯性权重系数ω、粒子种群数量n、待优化参数的个数(粒子长度)d、最大速度vmax、加速因子c1和c2、迭代次数g、选取适应度函数以及将待优化的参数编码为粒子信息；步骤2-1-1-2：计算各个粒子的适应度函数，获取各个粒子的当前个体最优以及整个粒子群的全局最优；步骤2-1-1-3：更新各个粒子的速度和位置；更新公式如下：
[0077]vid
＝ωv
id
+c1random(0,1)(p
id-xid)+c2random(0,1)(p
gd-x
id
)
[0078]
x
id
＝x
id
+v
id
ꢀꢀ
(14)
[0079]
其中，p
id
表示第i个变量的个体最优的第d维，p
gd
表示全局最优的第d维，x
id
表示第i个变量个体最优的第d维的位置矢量，v
id
表示第i个变量个体最优的第d维的速度矢量；步骤2-1-1-4：判断是否达到最大迭代次数，若是，输出最优参数解并进入步骤步骤2-1-1-5；若否，返回步骤2-1-1-2；步骤2-1-1-5：将得到的最优参数解分别赋予权值初始值以及卡边配方模型的初始参数。本发明采用pso算法分别对保守配方模型以及卡边配方模型的参数进行优选，经过试验仿真证明，经过优选参数后的两个配方模型均能满足性能质量指标，引入知识蒸馏且经过pso优化的卡边配方模型提升了预测精度以及减少了泛化误差。
[0080]
在本实施例中，权值在线更新过程中，输入为期望的调和质量参数，输出为保守配方模型和卡边配方模型的权值，包括以下步骤：步骤2-1-4-1：初始化调节参数，调节参数包括：初始的保守配方模型权值θ0、初始的卡边配方模型权值ρ0、步长系数c以及调节速率η；步骤2-1-4-2：计算保守配方模型权值和卡边配方模型权值，计算公式为：
[0081]
θk＝θ
k-1
±
δk[0082][0083]
δk＝η
kc[0084]
s.t.θk+ρk≡1
ꢀꢀ
(15)
[0085]
其中，θ,ρ∈[0,1]，δ∈[0,min(θ
k-1
,ρ
k-1
)]，θk,ρk分别表示第k时刻的保守配方模型与卡边配方模型的权值系数，c为步长常数，ηk为调节速率，k表示调节次数；
[0086]
步骤2-1-4-3：根据计算的权值对保守配方模型和卡边配方模型进行加权平均融合，更新混合配方模型，融合公式为：
[0087][0088]
s.t.θ+ρ＝1
ꢀꢀ
(16)
[0089]
其中，θ，ρ参数分别代表保守配方模型及卡边配方模型的权值，y
保
为测试集输入到前述建立的保守配方模型的预测值，y
卡
为测试集输入到前述建立的卡边配方模型的预测值，y为混合配方模型的预测值；
[0090]
步骤2-1-4-4：判断调和后的质量指标是否满足期望值，若满足，则混合配方模型调和完成；若不满足，则继续步骤2-1-4-5；
[0091]
步骤2-1-4-5：计算调节速率，公式为：
[0092][0093][0094]
η0＝η
max
ꢀꢀ
(17)
[0095]
其中，k表示调节次数，η
max
,η
min
分别表示调节速率的最大值和最小值，νk为第k次η减少的数值，从式(17)可以清晰的看出，随着调节次数k的增加，η逐渐减小，且减小的速率越来越慢，从而使得在最开始寻优的时候，θ，ρ值变换的比较大，随着调节次数的增加，θ，ρ波动逐渐变小，从而更好的寻找到最优点；
[0096]
步骤2-1-4-6：重复步骤2-1-4-2到2-1-4-4，直至调和后汽油质量达到期望质量指
标。本发明通过对调和过程中汽油产品品质在线评估，进而调节权值，平衡汽油的一次调和成功与卡边生产之间的关系，如调和出的产品质量过于保守，通过将θ调小，ρ调大使得产品质量趋于卡边。
[0097]
在本实施例中，如图6，基于集成学习思想的在线配方维护策略过程为：步骤2-2-1：将在线样本按照7:3划分为第三训练集和第三测试集，其中，第三训练集用于对混合配方模型的训练，第三测试集用于对混合配方模型进行测试评价；步骤2-2-2：将第三训练集分别输入到保守配方模型和卡边配方模型中，计算训练集在保守配方模型和卡边配方模型的预测值，并合并成一个新的训练集数据；步骤2-2-3：根据新的训练集数据训练次级模型，获取次级模型；步骤2-2-4：将第三测试集分别输入到保守配方模型和卡边配方模型中，分别计算第三测试集在保守配方模型和卡边配方模型的预测值；步骤2-2-5：将步骤2-2-4计算的预测值输入到次级模型中，进行评价。本发明将在线样本重新划分为训练集和测试集，对已建立的保守配方模型和卡边配方模型预测出的结果，采用一种非线性模型重新训练，再采用测试集数据验证，混合配方模型预测精准，拟合效果好。
[0098]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0099]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。