Application of robust machine learning methods to modeling hydrogen solubility in hydrocarbon fuels

Having accurate information about the hydrogen solubility in hydrocarbon fuels and feedstocks is very important in petroleum refineries and coal processing plants. In the present work, extreme gradient boosting (XGBoost), multi-layer perceptron (MLP) trained with Levenberg–Marquardt (LM) algorithm, adaptive boosting support vector regression (AdaBoost?SVR), and a memory-efficient gradient boosting tree system on adaptive compact distributions (LiteMORT) as four novel machine learning methods were used for estimating the hydrogen solubility in hydrocarbon fuels. To achieve this goal, a database containing 445 experimental data of hydrogen solubilities in 17 various hydrocarbon fuels/feedstocks was collected in wide-spread ranges of operating pressures and temperatures. These hydrocarbon fuels include petroleum fractions, refinery products, coal liquids, bitumen, and shale oil. Input parameters of the models are temperature and pressure along with density at 20 °C, molecular weight, and weight percentage of carbon (C) and hydrogen (H) of hydrocarbon fuels. XGBoost showed the highest accuracy compared to the other models with an overall mean absolute percent relative error of 1.41% and coefficient of determination (R²) of 0.9998. Also, seven equations of state (EOSs) were used to predict hydrogen solubilities in hydrocarbon fuels. The 2- and 3-parameter Soave-Redlich-Kwong EOS rendered the best estimates for hydrogen solubilities among the EOSs. Moreover, sensitivity analysis indicated that pressure owns the highest influence on hydrogen solubilities in hydrocarbon fuels and then temperature and hydrogen weight percent of the hydrocarbon fuels are ranked, respectively. Finally, Leverage approach results exhibited that the XGBoost model could be well trusted to estimate the hydrogen solubility in hydrocarbon fuels.     

罐式批次成品汽油调和配方集成建模方法

考虑罐式批次成品汽油调和过程中罐底余油对产品质量指标的影响,本文提出了一种基于改进多核模糊C均值（multi-kernel fuzzy C-means,MKFCM）与极端梯度提升树（extreme gradient boosting,XGBoost）集成的成品汽油调和的通用配方建模方法。该方法首先考虑各调和组分的差异性,提出一种自适应核参数计算方法对MKFCM改进,并将其用于罐底油聚类分析,旨在最大程度划分出性质相近的罐底油批次类型;在此基础上择优选用XGBoost算法,以各批次罐底余油的组分比例和产品预期质量指标作为输入,建立各批次子配方模型;在配方生成时,基于改进MKFCM求得当前罐底余油的隶属度向量,并以此为权值对子配方模型进行加权融合,最终以多模型集成的方式得到了成品汽油调和的通用配方。经使用某企业实际工业数据进行实验分析,结果表明,较单一模型或未改进MKFCM的集成模型,基于改进MKFCM-XGBoost的多模型集成配方,预测精度和泛化能力均更优,更适合罐式批次成品汽油调和过程。     

采用极限梯度提升算法的电力系统电压稳定裕度预测

将极限梯度提升树（XGBoost）算法应用于电力系统电压稳定评估问题. 根据电压稳定问题特点,提出能够反映电力系统运行状态的特征集;把电压稳定裕度绝对值作为映射目标,并介绍生成样本集的方法. 在介绍XGBoost算法基本原理的基础上,研究该算法的技术细节. 在IEEE-39节点系统上进行验证,结果表明,XGBoost算法在R方值和平均绝对百分误差2项回归指标上均优于其他几类机器学习算法,且模型的计算速度最快,可以满足在线应用要求. 同时,XGBoost算法具有良好的数值错误和数值缺失容错性,并可以针对预测偏差较大的样本进行数据补充,实现模型的更新,使得模型表现趋于稳定.     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

基于RB-XGBoost算法的智能电网调度控制系统健康度评价模型

针对智能电网调度控制系统(D5000系统)健康度评价,基于专家经验的传统评价方法存在主观性较大的问题,机器学习多分类方法是提高评价客观性的一种有效手段,但健康度各等级样本数目间存在的不平衡问题导致分类准确率较低,为此提出一种基于随机平衡和极端梯度提升(RB-XGBoost)算法的D5000系统健康度评价模型。首先,针对系统各评价等级样本数目严重不平衡的问题,提出一种自适应随机平衡(RB)的混合采样方法,分别以等级间样本数目的最大值、最小值作为采样区间的上、下限,生成多个随机数对各等级样本数据进行欠采样或过采样,增加训练数据的多样性并降低其不平衡程度;然后,训练平衡后的样本数据,建立极端梯度提升(XGBoost)算法子模型,考虑到各子模型重要度的一致性,提出采用硬投票方式集成所有子模型,得到与D5000系统各子模块对应的评价模型;最后,根据该系统指标层级关系,在评价过程中采用并、串行结合的计算方式,构建包含17个RB-XGBoost模型的D5000系统整体健康度评价模型。8组KEEL数据库中多类不平衡数据集的实验结果表明,与现有同类典型方法相比,所提方法的平均分类准确率最高提升了6.79%,平均提升了2.03%;某网省级D5000系统的实时采集数据验证了所提方法的有效性。     

基于XGBoost建模及改进灰狼优化算法的再热汽温预测优化控制

为改善燃煤机组频繁变负荷过程中再热汽温的控制效果,提出一种基于机器学习的再热汽温预测优化控制方法。首先利用机组变负荷历史运行数据和XGBoost算法进行再热汽温特性建模,并采用随机搜索算法对模型参数进行优化以提高其预测精度。以最终的模型为基础,采用改进的灰狼优化算法(IGWO)对烟气侧再热挡板开度和蒸汽侧喷水减温阀指令进行实时寻优,实现再热汽温的预测优化控制。利用仿真机进行优化控制仿真试验。试验结果表明：采用智能预测优化控制方案可有效改善再热汽温控制效果,明显减少减温喷水用量,有助于提高机组的经济性。     

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于“弃光”现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。首先介绍XGBoost算法的基本原理,并引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;并分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K 折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分;训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择其他两种预测方法SVM和LSTM,实验结果表明XGBoost算法在预测光伏发电中的有较高的准确性和实用性。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

基于机器学习的切丝后含水率预测及控制方法

选取云烟(A)牌号制丝生产过程稳态数据样本,采用递归特征消除法分析模型的影响变量。基于车间温湿度SARIMAX预测模型,利用蒙特卡洛仿真、神经网络算法和XGBoost算法建立切丝后含水率控制模型,通过预测值与实际值对比的方法进行模型检验。结果表明,在工艺标准值±0.15%的误差范围内,切丝后含水率准确率由62.57%提升至86.49%;切丝后含水率的过程能力指数达标率由91.44%提升至97.30%。该方法实现了前后工序参数协同和精准控制,有效保证了制丝过程中切丝后含水率的稳定性。