近年来,各国碳排放量逐年增加,全球气候问题日趋严峻,而碳排放又与经济的发展是密切相关的。在这一背景之下,我国提出了碳达峰与碳中和目标,即承诺在2030年之前,实现碳排放不增长目标,在2060年之前,实现碳排放与节能减排等措施相中和的目标,因此节能减排势在必行。在我国,工业用能的碳排放量是巨大的,工业用能是指在工业生产活动中所使用的能源包括动力、供暖和制冷等,其中空调系统能耗占比达40%-60%,而冷水机组能耗又占空调总能耗的40%左右,把握冷水机组的能耗,对工厂的正常运行与节能优化有着十分重要的意义。随着人工智能技术迅速发展,数据驱动方法越来越多地应用在各个领域,针对冷水机组建立数据驱动模型,可以实现对能耗的快速、精准预测,相较于传统的物理和统计法,数据驱动方法可以做到实时响应,精准预测,有更好的泛化性能,适用范围更广。本文主要探究了改进Xgboost特征选择算法对三种冷水机组能耗预测模型的优化效果,并从时间和准确度两个方面给出了最优选择。首先,本文对宁波某工厂的冷水机组系统进行了能耗数据及相关特征变量数据的实地采集。为了提高特征数据质量和模型预测性能,本文分别采用散点图法、3σ法和箱线图法对原始数据集进行异常值检测,使用交叉验证和网格搜索优化模型参数,然后部署改进的Xgboost特征选择算法获得最优特征子集,最后将优化前后的特征子集分别代入Xgboost、ANN和RNN模型中进行预测并对预测结果作对比分析。研究结果表明,与单一特征选择策略相比,使用改进Xgboost特征选择算法获得的最优特征子集在三种能耗预测模型中的效果均有所提升,三种模型的能耗预测值超出真实值±10%误差范围以外的样本点分别下降了5.47%、4.33%和0.71%,其预测评价指标平均绝对误差（MAE）、均方误差（MSE）均有所降低,决定系数R~2有所改善;同时三种模型的运行时间也大幅下降,平均运行时间分别下降了11.87%、10.62%和18.11%;但是三种模型的运行时间差距较大,Xgboost模型运行时间最短,而RNN模型所需时间比Xgboost模型高出两个数量级,ANN模型所需时间适中;RNN模型预测性能最优,其预测准确度分别比Xgboost和ANN模型高29.54%和10.21%。因此在工程实际中要根据时间和精度要求进行取舍。