基于随机森林变量选择的飞灰含碳量预测模型Prediction model of carbon content in fly ash using random forest variable selection method
王芳,马素霞,王河
摘要(Abstract)：
针对目前几种飞灰含碳量软测量方法建模时未进行输入特征筛选以及建模方法较为单一的问题,提出花授粉算法优化随机森林的变量选择飞灰含碳量(FPA-RF)预测模型。采用影响飞灰含碳量的因素构成初始变量,利用基于随机森林的变量选择方法从中筛选最优变量。以最优变量为模型输入,训练随机森林并通过花授粉算法优化其参数。以某600 MW燃煤机组的分布式控制系统(DCS)数据为例,对本文FPA-RF预测模型和基于人工神经网络(ANN)和粒子群-支持向量机(PSO-SVM)的飞灰含碳量预测模型进行比较验证,结果表明:ANN预测模型的预测误差最大,泛化能力较弱;FPA-RF和PSO-SVM预测模型均取得较好的效果;但PSO-SVM预测模型平均训练时间为55 s,较FPA-RF长约30 s,说明本文FPA-RF预测模型具有更高的预测精度和更快的计算速度。
关键词(KeyWords)： 燃煤锅炉;预测控制;飞灰含碳量;变量选择;随机森林;花授粉算法;软测量
基金项目(Foundation):
作者(Author): 王芳,马素霞,王河
DOI: 10.19666/j.rlfd.201803085