为解决传统多元线性回归(Multivariate linear regression,MLR)模型在煤炭发热量预测方面精度不足和适用性有限的问题,提出了一种基于改进自适应增强算法(Adaptive boosting,Adaboost)的煤发热量的预测模型。将随机森林(Random forest,...为解决传统多元线性回归(Multivariate linear regression,MLR)模型在煤炭发热量预测方面精度不足和适用性有限的问题,提出了一种基于改进自适应增强算法(Adaptive boosting,Adaboost)的煤发热量的预测模型。将随机森林(Random forest,RF)作为Adaboost的基学习器,以提高模型在工业煤质分析中的发热量预测精度和泛化能力。研究基于某电厂1万组入炉煤的工业分析数据,选取水分、挥发分、灰分和固定碳作为模型输入,建立煤炭低位发热量的预测模型。通过与传统的多元线性回归方程及其他非线性模型比较,模型展现出更高的预测精度和更好的泛化能力。大样本测试的实验结果表明,本模型的平均绝对百分比误差为0.5417%,均方根误差为0.1304 MJ/kg,拟合度(R^(2))达到0.9799,其在煤炭发热量预测方面优于其他模型。此外,200组真实的混煤工业分析数据的模拟验证,进一步确认了本模型较优的泛化性能。展开更多
针对目前火电厂发电量难以预测问题,提出一种基于最大互信息系数(maximal information coefficient,MIC)和极限梯度提升(extreme gradient boosting,XGBoost)的火电厂发电量预测方法。首先对原始数据进行数据预处理工作,然后利用MIC计...针对目前火电厂发电量难以预测问题,提出一种基于最大互信息系数(maximal information coefficient,MIC)和极限梯度提升(extreme gradient boosting,XGBoost)的火电厂发电量预测方法。首先对原始数据进行数据预处理工作,然后利用MIC计算各特征与目标变量的相关性,通过特征重要性排序选择特征变量作为输入,最后利用XGBoost算法建立火电厂发电量预测模型。结果表明:该模型可以有效解决非线性变量难以筛选的问题,减少输入特征的维度,预测结果的均方根误差和平均绝对百分比误差较小,模型具有较高的预测精度,对火电厂能够提供一定参考意义。展开更多
文摘针对目前火电厂发电量难以预测问题,提出一种基于最大互信息系数(maximal information coefficient,MIC)和极限梯度提升(extreme gradient boosting,XGBoost)的火电厂发电量预测方法。首先对原始数据进行数据预处理工作,然后利用MIC计算各特征与目标变量的相关性,通过特征重要性排序选择特征变量作为输入,最后利用XGBoost算法建立火电厂发电量预测模型。结果表明:该模型可以有效解决非线性变量难以筛选的问题,减少输入特征的维度,预测结果的均方根误差和平均绝对百分比误差较小,模型具有较高的预测精度,对火电厂能够提供一定参考意义。