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。

2.根据权利要求1所述的一种基于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：所述步骤1中，采集催化裂化汽油历史数据，传输至后台服务器，对数据进行预处理，具体步骤如下：首先，进行数据清晰与修复，设定超过20个缺失值的数据为失去修复价值的数据列，通过对样本数据进行分析，建立数据清洗模型，如式(1)所示：其中，Find(Ti)是缺失值超过20个的列号，Vj是第j个数据列；利用建立的数据剔除模型对原始数据完成数据剔除工作；

然后，针对缺失少于20个数值的数据进行修复，利用数据清洗模型对需要数据修复的数据点位进行查询，确定缺失值的位置后，对缺失的数据进行修复，对空值处的数据采用前后两个小时的平均值来代替，如式(2)所示：其中，Repair(i，j)表示对空值(i，j)处的数据进行修复；

接着，对原始数据的操作范围进行提取，采用最大‑最小的限幅方法剔除一部分不在此范围内的数据；剔除超范围数值后，继续对样本数据采用拉依达准则进行坏值剔除，拉依达准则假设一组被测的数据只含有随机误差，通过贝塞尔公式计算得到标准差，若某个测量值xb的剩余误差vb(1＜＝b＜＝n)，满足|vb|＝|xb‑x|＞3σ，则认为xb是含有粗大误差值的坏值，应予剔除，贝塞尔公式如式(3)所示：以辛烷值数据测定的时间点为基准时间，取其前2个小时的操作变量数据的平均值作为对应辛烷值的操作变量数据，计算出所需的操作变量数据。

3.根据权利要求1所述的一种基于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：所述步骤2中，对预处理完的数据进行特征降维，依据信息熵进行数据的第一轮筛选，具体步骤如下：

3‑1信息熵是信息论中最重要的概念，其数值越大就代表其包含的信息量越大，求解方法如式(4)所示：其中，i表示第i个样本，j表示第j个操作变量，Hj表示第j个操作变量的信息熵，p(Xi，j)表示第j个操作变量中第i个样本的数值在操作变量中出现的概率，以所有信息熵的平均值为阈值，对信息熵过低的变量进行删除；

3‑2一轮筛选结束后，继续依据MIC进行二轮筛选，MIC是信息论里一种有用的信息度量，其实质是对蒙特卡洛法近似计算出的互信息归一化的结果，首先计算两个序列的互信息I(x：y)，如式(5)所示：其中p(x，y)是联合概率密度函数，p(x)p(y)为边缘概率密度函数；

采用类似于蒙特卡洛法的方案将序列x，y构成的散点图网格化，通过网格化后的散点分布估计其联合概率分布，估计的公式为：MIC及对近似的互信息I(X：Y)的最大值归一化公式为：

式中X，Y分别表示散点图网格化后x方向与y方向划分的段数，|x||y|即整体的网格数，B为超参数其数值应设定为数据总量的0.6次方。

4.根据权利要求1所述的一种基于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：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＝tanh(X·W1+b1)，输出层为：output＝tanh(Hidden·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；

2

4‑5使用RMSE(均方根误差)、MAE(平均绝对误差)、R(决定系数)、MAPE(平均绝对百分比误差)作为评价指标测试模型训练效果。

5.根据权利要求1所述的一种基于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：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5ug/g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cross entropy(CE)loss的改进版，实现对正、负样本数目不平衡的调整，公式为：γ

FL(pt)＝‑∝t(1‑pt) log(pt)    (12)

5‑2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：

minG maxD V(D，G)＝Ea～pdata(a)[2ogD(a)]+Ez～pdata(z)[log(1‑D(G(z)))]    (13)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：minG maxD V(D，G)＝Ea～pdata(a)[logD(a|b)]+Ez～pdata(z)[log(1‑D(G(z|b)))]    (14)

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γ

FL(pt)＝‑∝t(1‑pt) log(pt)    (15)

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。