文摘针对热力站二次回水温度预测模型特征多计算量大、模型准确性难以提升的问题,提出一种极限梯度提升-人工神经网络(xtreme gradient boosting-artifical neural network,XGBoost-ANN)二次回水温度预测模型,模型由特征筛选层和预测层组成。特征筛选层利用XGBoost算法计算原始数据特征的重要性分数,确定影响二次回水温度的主要特征,从而降低模型复杂度,并提高计算效率;采用贝叶斯正则化算法训练三层前馈ANN作为二次回水温度预测层,并通过灰狼优化(grey wolf optimizer,GWO)算法对ANN模型的初始权值和阈值进行优化,用灰狼的位置向量表示ANN模型的权值和阈值,引入适应度函数来评估每组权值和阈值的性能,帮助模型在训练初期避免陷入局部最优,以提升模型的性能与泛化能力。实验结果表明,所构建的XGBoost-GWO-ANN二次回水温度预测模型,相比特征筛选前的模型,均方根误差(root mean squared error,RMSE)性能提升26.8%,R^(2)提升11.3%,模型推理时间降低了46.1%;使用GWO算法对ANN初始权值和阈值进行寻优,相比于未经优化的ANN模型,RMSE性能提升20.0%,R^(2)提升3.4%,预测模型的精度以及泛化能力得到有效提升。
