基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。

基于多元线性回归分析的汽油辛烷值损失预测建模

针对催化裂化汽油精制装置所采集的325个数据样本,运用R型聚类法得到建模的25个主要变量,并通过数据挖掘技术建立了基于多元线性回归分析的汽油辛烷值(RON)损失的预测模型.首先,利用3σ准则去除异常值等方法对原始数据样本进行预处理.其次,根据统聚类法中的R型聚类法,利用相关系数法和最大系数法分别确定指标变量之间的相似性度量并选取具有代表性的变量,得到降维后的25个主要变量.再次,以辛烷值损失为因变量,基于多元线性回归分析和十折交叉验证法,得到了辛烷值损失预测模型.最后,对回归模型和回归系数分别进行了假设检验,验证了所构建的辛烷值损失预测模型的合理性.