基于特征優(yōu)選和機(jī)器學(xué)習(xí)組合模型的鍋爐受熱面壁溫預(yù)測(cè)

祁浩浩，茅大鈞，陳思勤

基于特征優(yōu)選和機(jī)器學(xué)習(xí)組合模型的鍋爐受熱面壁溫預(yù)測(cè)

祁浩浩1，茅大鈞1，陳思勤2

（1.上海電力大學(xué) 自動(dòng)化工程學(xué)院，上海 200090； 2.華能國際電力股份有限公司 上海石洞口第二電廠，上海 200942）

為及時(shí)有效預(yù)測(cè)鍋爐壁溫的變化趨勢(shì)，以某火電廠600 MW的1號(hào)機(jī)組高溫再熱器為例，提出一種融合特征篩選和極端梯度樹（Extreme gradient boosting，XGboost）組合自適應(yīng)增強(qiáng)算法（Adaptive boosting，Adaboost）模型。首先，利用灰色關(guān)聯(lián)分析法和隨機(jī)森林特征重要度分析法分別計(jì)算鍋爐大量的歷史運(yùn)行數(shù)據(jù)與高再壁溫之間的線性和非線性關(guān)聯(lián)度，然后進(jìn)行綜合特征排序。在特征優(yōu)選的基礎(chǔ)上，利用建立的XGboost-Adaboost組合模型進(jìn)行鍋爐高再壁溫的預(yù)測(cè)。結(jié)合真實(shí)運(yùn)行數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該預(yù)測(cè)模型的平均相對(duì)誤差和均方根誤差分別為0.18%和1.34 ℃，預(yù)測(cè)的精度高于幾種相關(guān)類型高再壁溫的預(yù)測(cè)方法。

燃煤電站；高溫再熱器；溫度預(yù)測(cè)；灰色關(guān)聯(lián)分析；隨機(jī)森林；XGboost；Adaboost

0 引言

超（超）臨界機(jī)組的發(fā)電技術(shù)日益成熟，但爐管超溫問題仍困擾著火力發(fā)電機(jī)組的安全運(yùn)行，尤其是末級(jí)過熱器和高溫再熱器發(fā)生超溫的可能性較大[1]。目前，針對(duì)爐管超溫問題的控制措施或解決方法可分為3個(gè)方面：基于實(shí)時(shí)監(jiān)測(cè)調(diào)控的方法、基于數(shù)值模擬研究的方法、基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量方法。

監(jiān)測(cè)調(diào)控的方法。文獻(xiàn)[2]針對(duì)1 000 MW超超臨界鍋爐開發(fā)了壁溫在線監(jiān)測(cè)系統(tǒng)，改善了壁溫報(bào)警閾值設(shè)定并實(shí)現(xiàn)動(dòng)態(tài)壁溫報(bào)警，為受熱面溫度的監(jiān)測(cè)和控制提供了科學(xué)準(zhǔn)確的指導(dǎo)；文獻(xiàn)[3]針對(duì)某電廠機(jī)組開發(fā)了一套鍋爐壁溫在線監(jiān)測(cè)系統(tǒng)，通過比較不同超溫置信度與現(xiàn)場的實(shí)測(cè)壁溫，判斷出不同受熱面的超溫嚴(yán)重程度，使運(yùn)行人員更準(zhǔn)確了解鍋爐的超溫情況。然而，由于采用實(shí)時(shí)監(jiān)測(cè)鍋爐壁溫的方法時(shí)，一般是在受熱面已經(jīng)發(fā)生超溫情況下系統(tǒng)才進(jìn)行報(bào)警，所以系統(tǒng)缺乏對(duì)壁溫變化的可預(yù)知性。

數(shù)值模擬研究的方法。文獻(xiàn)[4]提出了煙氣與管內(nèi)工質(zhì)流動(dòng)換熱的耦合模型，并利用Fluent和MATLAB軟件準(zhǔn)確模擬了超臨界鍋爐爐內(nèi)煙氣場和受熱面壁溫分布情況；文獻(xiàn)[5]使用控制體積的有限元方法對(duì)生物質(zhì)循環(huán)流化床鍋爐的過熱器建立了數(shù)值模型，結(jié)合了過熱器管壁的二維模型、流動(dòng)蒸汽的一維模型和循環(huán)流化床的零維模型，有效地計(jì)算了由復(fù)雜形狀的管道制成的過熱器管內(nèi)的溫度分布；文獻(xiàn)[6]提出了燃煤鍋爐煙氣側(cè)三維計(jì)算流體力學(xué)模型與工質(zhì)側(cè)一維水動(dòng)力模型的耦合傳熱計(jì)算模型。數(shù)值模擬研究的思路是：利用管壁熱流密度和管內(nèi)工質(zhì)溫度的數(shù)據(jù)交互實(shí)現(xiàn)了耦合傳熱計(jì)算；計(jì)算中考慮了水冷壁煙氣側(cè)的熱流分布和管內(nèi)工質(zhì)溫度，同時(shí)可分析水冷壁結(jié)構(gòu)設(shè)計(jì)和吸熱偏差對(duì)工質(zhì)流量的影響。這為判斷管壁超溫或高溫腐蝕提供重要依據(jù)。然而，數(shù)值模擬的計(jì)算公式復(fù)雜，鍋爐受熱面的數(shù)學(xué)建模繁瑣，這使其在實(shí)際的工程應(yīng)用中受限。

近年來，基于數(shù)據(jù)驅(qū)動(dòng)的方法在發(fā)電領(lǐng)域的應(yīng)用研究成為熱點(diǎn)。文獻(xiàn)[7]提出了一種結(jié)合灰色關(guān)聯(lián)分析法和BP（Back propagation）神經(jīng)網(wǎng)絡(luò)的方法，準(zhǔn)確預(yù)測(cè)了變負(fù)荷情況下的過熱器壁溫的變化，對(duì)過熱器超溫預(yù)警起到了一定的指導(dǎo)作用；文獻(xiàn)[8]對(duì)600 MW超臨界鍋爐受熱面構(gòu)建麻雀優(yōu)化（Sparrow optimization，SO）、長短期記憶網(wǎng)絡(luò)（Long short term memory，LSTM）組合算法壁溫預(yù)測(cè)模型，并利用高關(guān)聯(lián)度的特征對(duì)預(yù)測(cè)壁溫進(jìn)行修正以提升模型的預(yù)測(cè)精度。但是在現(xiàn)有研究中，壁溫特征選取大都選用線性分析的方法，易忽略其他非線性關(guān)系高的特征參數(shù)。

針對(duì)上述問題，所以本文考慮融合2種特征篩選的方法構(gòu)建XGboost-Adaboost壁溫預(yù)測(cè)模型。具體思路是：先利用灰色關(guān)系分析（Grey relational analysis，GRA）和隨機(jī)森林（Random forests，RF）算法綜合篩選出關(guān)聯(lián)性較大的特征變量，然后在最優(yōu)的特征變量數(shù)目上構(gòu)建XGboost-Adaboost組合預(yù)測(cè)模型，最后實(shí)現(xiàn)鍋爐高溫再熱器壁溫的預(yù)測(cè)。

1 相關(guān)性分析算法

1.1 基于GRA的特征選擇方法

GRA是一種多因素關(guān)聯(lián)與比較的方法。GRA以灰色關(guān)聯(lián)度大小來描述因素間關(guān)系強(qiáng)弱[9-11]，可用于探索和評(píng)估多個(gè)因素對(duì)某個(gè)目標(biāo)的影響程度。計(jì)算灰色關(guān)聯(lián)度的一般步驟如下：

步驟5）根據(jù)灰色關(guān)聯(lián)度進(jìn)行排序。

由于GRA是基于線性相關(guān)性的，在處理變量之間的非線性關(guān)系還需要綜合其他合適的方法。

1.2 基于RF的特征選擇方法

RF是由多個(gè)并行的弱分類器組合成的強(qiáng)分類器模型，其在對(duì)高維數(shù)據(jù)和噪聲數(shù)據(jù)處理方面有良好的性能，在分析非線性、具有共線性和交互作用的數(shù)據(jù)時(shí)能夠給出變量重要性評(píng)分[12]。

RF特征變量重要性的計(jì)算方法有3種[13,14]：頻數(shù)統(tǒng)計(jì)、基尼指數(shù)和平均精度下降法。本文采用平均精度下降的方式篩選出影響管壁溫度的更強(qiáng)的因素，具體計(jì)算步驟如下。

2 預(yù)測(cè)模型設(shè)計(jì)及原理

2.1 Adaboost算法原理

Adaboost是一種基于Boosting的構(gòu)建算法。在解決回歸預(yù)測(cè)問題時(shí)，可通過綜合多個(gè)弱預(yù)測(cè)器算法，生成精度高的強(qiáng)預(yù)測(cè)器，從而提高預(yù)測(cè)模型的泛化能力。

Adaboost通過改變數(shù)據(jù)集的權(quán)值，利用弱預(yù)測(cè)器對(duì)訓(xùn)練集進(jìn)行訓(xùn)練預(yù)測(cè)。在訓(xùn)練過程中，調(diào)整樣本權(quán)重，使弱預(yù)測(cè)器能夠集中學(xué)習(xí)錯(cuò)誤樣本；再在更新的訓(xùn)練集上進(jìn)行訓(xùn)練，得到一系列的弱預(yù)測(cè)器；最后，通過對(duì)弱預(yù)測(cè)器進(jìn)行線性加權(quán)組合，形成強(qiáng)預(yù)測(cè)器[15-17]。Adaboost算法步驟如下：

步驟6）更新樣本集的權(quán)重分布。

步驟7）不斷迭代訓(xùn)練完成所有的弱預(yù)測(cè)器，最終得到強(qiáng)預(yù)測(cè)器。

雖然Adaboost算法的最終強(qiáng)預(yù)測(cè)器具有很好的穩(wěn)定性和預(yù)測(cè)準(zhǔn)確率，然而其對(duì)異常數(shù)據(jù)值較為敏感，可能因過擬合問題而降低最終強(qiáng)預(yù)測(cè)器的準(zhǔn)確率[18]。

2.2 XGboost算法原理

與Adaboost相比，XGboost具有更好的魯棒性和容錯(cuò)能力，可以更好地處理異常值。XGboost算法在梯度提升決策樹的基礎(chǔ)上進(jìn)行了改進(jìn)：不斷構(gòu)造新的決策樹，并進(jìn)行特征分裂生長樹訓(xùn)練，以擬合上一棵樹預(yù)測(cè)的殘差。當(dāng)訓(xùn)練完成后，將樹中所有葉子節(jié)點(diǎn)所對(duì)應(yīng)的分?jǐn)?shù)相加即可得到最終預(yù)測(cè)結(jié)果[19-21]。

2.3 XGboost-Adaboost算法模型

XGboost-Adaboost算法是對(duì)XGboost算法和Adaboost算法的組合改進(jìn)。Adaboost以XGboost為弱預(yù)測(cè)器。在每次的迭代過程后，根據(jù)每個(gè)XGboost弱預(yù)測(cè)器的預(yù)測(cè)誤差計(jì)算權(quán)重。通過增大預(yù)測(cè)精度高的XGboost弱預(yù)測(cè)器的權(quán)重、降低預(yù)測(cè)精度低的XGboost弱預(yù)測(cè)器的權(quán)重，來提升模型的預(yù)測(cè)精度。通過合并多個(gè)XGboost弱預(yù)測(cè)器，XGboost-Adaboost克服了Adaboost容易受到異常值干擾和收斂速度慢的缺點(diǎn)，從而形成具有強(qiáng)泛化能力和穩(wěn)定性的強(qiáng)預(yù)測(cè)器。XGboost- Adaboost算法模型如圖1所示。

圖1 XGboost-Adaboost算法模型

由圖1可知：特征數(shù)據(jù)經(jīng)過隨機(jī)采樣后被輸入到XGboost-Adaboost模型中；上一個(gè)弱學(xué)習(xí)器的結(jié)果會(huì)影響到下一個(gè)隨機(jī)采樣后樣本的權(quán)重分配；綜合各弱預(yù)測(cè)器的結(jié)果即得到最終結(jié)果。

基于特征優(yōu)選和XGboost-Adaboost組合模型的鍋爐受熱面壁溫預(yù)測(cè)的具體流程如圖2所示。

圖2 XGboost-Adaboost算法具體流程

由圖2可知，歷史數(shù)據(jù)集經(jīng)過2種不同的特性篩選方法后進(jìn)入預(yù)處理環(huán)節(jié)以剔除異常數(shù)據(jù)，然后再輸入進(jìn)XGboost-Adaboost組合模型進(jìn)行訓(xùn)練、驗(yàn)證。訓(xùn)練的過程中，模型不斷依據(jù)上一個(gè)XGboost弱預(yù)測(cè)器的預(yù)測(cè)結(jié)果而加重對(duì)錯(cuò)誤樣本的學(xué)習(xí)，更新每個(gè)弱預(yù)測(cè)器的權(quán)重系數(shù)。最后，綜合考慮每個(gè)弱預(yù)測(cè)器的預(yù)測(cè)結(jié)果并進(jìn)行線性組合，生成強(qiáng)預(yù)測(cè)器。

3 壁溫預(yù)測(cè)模型的仿真驗(yàn)證

3.1 研究對(duì)象

本文以上海某電廠600 MW超臨界直流鍋爐的高溫再熱器為研究案例。

該直流鍋爐為具有螺旋水冷壁、單爐膛、一次中間再熱、平衡通風(fēng)、全懸吊結(jié)構(gòu)Π型鍋爐。水平煙道中的高溫再熱器布置在末級(jí)過熱器的前方，且擁有一些高溫?zé)煔鉁y(cè)溫裝置。表1給出了該鍋爐的部分技術(shù)參數(shù)。

從該廠的超溫報(bào)告統(tǒng)計(jì)數(shù)據(jù)中分析出，高溫再熱器的第15至第21屏的8號(hào)管出現(xiàn)超溫次數(shù)比較頻繁；故本文選取第20屏的8號(hào)管為研究對(duì)象進(jìn)行分析。

表1 鍋爐最大連續(xù)蒸發(fā)量技術(shù)參數(shù)

3.2 預(yù)測(cè)模型仿真驗(yàn)證

根據(jù)1號(hào)鍋爐的歷史運(yùn)行數(shù)據(jù)并結(jié)合GRA，綜合考量25個(gè)影響鍋爐高溫再熱器管壁溫度的主要特征變量。通過計(jì)算特征變量之間、特征子變量與目標(biāo)變量之間的線性關(guān)聯(lián)度，將各個(gè)特征進(jìn)行依次排序，得到每個(gè)特征的重要性分值排名。由GRA計(jì)算的特征變量具體排序如圖3所示。

圖3 GRA特征重要性排序

利用RF特征重要度計(jì)算特征變量之間與目標(biāo)變量之間的非線性關(guān)聯(lián)度，并將各個(gè)特征進(jìn)行依次排序，結(jié)果如圖4所示。

圖4 RF特征重要性排序

為消除量綱的影響，對(duì)圖3、4結(jié)果歸一化后對(duì)應(yīng)疊加得出如表2的最終排序結(jié)果。

表2 最終特征重要度排序

由表2可知，最終特征變量選取過多或過少都會(huì)影響模型的預(yù)測(cè)準(zhǔn)確率。

選擇不同數(shù)量的特征進(jìn)行實(shí)驗(yàn)。通過比較輸入預(yù)測(cè)模型中不同特征數(shù)量下的預(yù)測(cè)均方差，以確定具有高準(zhǔn)確性的特征變量數(shù)量。在同一特征數(shù)量下進(jìn)行10次預(yù)測(cè)后，取其均方差的平均值作為對(duì)比標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 特征數(shù)量對(duì)模型預(yù)測(cè)誤差的影響

通過圖5可以看出，當(dāng)輸入模型的特征數(shù)量為15時(shí)，模型的預(yù)測(cè)均方差達(dá)到最小。故本文選取壁溫預(yù)測(cè)模型的特征數(shù)量為15，即取表2中綜合排名前15的輸入變量為特征變量。

為了進(jìn)一步說明本文提出的預(yù)測(cè)模型更具有優(yōu)越性，對(duì)比分析3種預(yù)測(cè)模型在1 000組測(cè)試樣本中的預(yù)測(cè)性能。以平均相對(duì)誤差（Mean absolute percentage error，MAPE）和均方根誤差（Root mean square error，RMSE）作為評(píng)價(jià)3種預(yù)測(cè)模型精度優(yōu)劣的指標(biāo)。誤差計(jì)算公式分別為：

圖6示出了不同算法模型預(yù)測(cè)相對(duì)誤差對(duì)比結(jié)果。表3示出了算法誤差指標(biāo)對(duì)比。

圖6 不同算法模型預(yù)測(cè)相對(duì)誤差對(duì)比結(jié)果

表3 算法誤差指標(biāo)對(duì)比

由圖6和表3可知，Adaboost和XGboost模型的預(yù)測(cè)相對(duì)誤差整體保持在（–2%，2%）之間，兩者的相對(duì)誤差精度相近，前者的平均相對(duì)誤差和均方根誤差分別為0.42%和3.33 ℃，后者的平均相對(duì)誤差和均方根誤差分別為0.39%和3.24 ℃；而Adaboost-XGboost組合模型的相對(duì)誤差精度整體保持在（–0.5%，0.5%）之間，平均相對(duì)誤差為0.42%，均方根誤差相較于Adaboost模型和XGboost模型大幅降低。可見，本文提出的組合預(yù)測(cè)模型的預(yù)測(cè)精度優(yōu)于上述其他模型。

4 結(jié)論

本文基于鍋爐高溫再熱器相關(guān)的歷史運(yùn)行數(shù)據(jù)，結(jié)合GRA和RF算法的特征優(yōu)選方法，選擇出與高再壁溫關(guān)聯(lián)度大的特征參數(shù)；構(gòu)建了高溫再熱器的XGboost-Adaboost組合壁溫預(yù)測(cè)模型，實(shí)現(xiàn)了鍋爐高溫再熱器壁溫在線準(zhǔn)確預(yù)測(cè)。

本文提出的壁溫預(yù)測(cè)組合模型在進(jìn)行壁溫預(yù)測(cè)時(shí)，相較于兩種子模型表現(xiàn)出較好的預(yù)測(cè)性能，模型的最大相對(duì)誤差在（–1.3%，1%），平均相對(duì)誤差為0.18%，均方根誤差為1.34 ℃。模型精度符合電廠在線監(jiān)測(cè)和分析的要求，對(duì)鍋爐高再壁溫的實(shí)際運(yùn)行監(jiān)測(cè)具有一定意義。

展望：為進(jìn)一步提高本文組合模型性能，尋找最優(yōu)的弱預(yù)測(cè)器數(shù)量、提高組合模型的預(yù)測(cè)準(zhǔn)確率和效率將是本研究的未來目標(biāo)。

[1] 弓林娟, 侯國蓮, 胡博, 等. 面向低碳靈活運(yùn)行的超臨界機(jī)組模糊預(yù)測(cè)控制策略[J]. 中國電機(jī)工程學(xué)報(bào), 2023, 43(3): 1048-1059. GONG LINJUAN, HOU GUOLIAN, HU BO, et al. Fuzzy predictive control strategy for low-carbon flexible operation of supercritical unit[J]. Proceedings of the CSEE, 2023, 43(3): 1048-1059(in Chinese).

[2] 王國力. 壁溫在線監(jiān)測(cè)系統(tǒng)在1 000 MW超超臨界塔式鍋爐中的應(yīng)用[J]. 鍋爐技術(shù), 2022, 53(2): 58-61. WANG GUOLI. Application of wall temperature on-line monitoring system in 1 000 MW ultra-supercritical tower-type boiler[J]. Boiler Technology, 2022, 53(2): 58-61(in Chinese).

[3] 郜建良, 劉福鎖, 吳雪蓮, 等. 鍋爐壁溫在線監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 電測(cè)與儀表, 2019, 56(5): 137-142. GAO JIANLIANG, LIU FUSUO, WU XUELIAN, et al. Design and application of on-line monitoring system of boiler wall temperature[J]. Electrical Measurement & Instrumentation, 2019, 56(5): 137-142(in Chinese).

[4] 喻聰, 司風(fēng)琪, 李敏, 等. 基于燃燒與水動(dòng)力耦合模型的鍋爐蒸汽管超溫特性研究[J]. 熱能動(dòng)力工程, 2021, 36(8): 92-98. YU CONG, SI FENGQI, LI MIN, et al. Study on overtemperature of boiler steam tube base on coupling model of combustion and hydrodynamic[J]. Journal of Engineering for Thermal Energy and Power, 2021, 36(8): 92-98(in Chinese).

[5] MADEJSKI P, TALER D, TALER J. Thermal and flow calculations of platen superheater in large scale CFB boiler[J]. Energy, 2022, 258: 124841.

[6] 閆靖文, 劉欣, 黃書益, 等. 超臨界鍋爐水冷壁壁溫預(yù)測(cè)耦合模型[J]. 熱力發(fā)電, 2022, 51(1): 100-108. YAN JINGWEN, LIU XIN, HUANG SHUYI, et al. Coupled model for prediction of water wall tube temperature of supercritical boiler[J]. Thermal Power Generation, 2022, 51(1): 100-108(in Chinese).

[7] 鄧博, 徐鴻, 郭鵬, 等. 變負(fù)荷下超(超)臨界機(jī)組過熱器壁溫預(yù)測(cè)[J]. 中國電力, 2018, 51(3): 13-20. DENG BO, XU HONG, GUO PENG, et al. Prediction of superheater tube wall temperature in supercritical/ultra-supercritical boilers for different loading[J]. Electric Power, 2018, 51(3): 13-20(in Chinese).

[8] 魏小兵, 崔智鵬, 徐婧, 等. 基于數(shù)據(jù)驅(qū)動(dòng)的超臨界鍋爐受熱面壁溫預(yù)測(cè)方法[J]. 熱力發(fā)電, 2023, 52(7): 106-112. WEI XIAOBING, CUI ZHIPENG, XU JING, et al. Data-driven method for predicting the wall temperature of heating surface of supercritical boilers[J]. Thermal Power Generation, 2023, 52(7): 106-112(in Chinese).

[9] 金安福. 基于支持向量機(jī)的主汽溫趨勢(shì)預(yù)測(cè)[J]. 浙江電力, 2015, 34(12): 39-42. JIN ANFU. Trend forecast of main steam temperature based on SVM[J]. Zhejiang Electric Power, 2015, 34(12): 39-42(in Chinese).

[10] 周文浩, 曾波. 灰色關(guān)聯(lián)度模型研究綜述[J]. 統(tǒng)計(jì)與決策, 2020, 36(15): 29-34. ZHOU WENHAO, ZENG BO. A research review of grey relational degree model[J]. Statistics and Decision, 2020, 36(15): 29-34(in Chinese).

[11] 麻云平, 李楷, 鄭奕, 等. 基于聚類分析及灰色關(guān)聯(lián)度的船舶系纜力影響因素分析[J]. 大連理工大學(xué)學(xué)報(bào), 2023, 63(4): 377-384. MA YUNPING, LI KAI, ZHENG YI, et al. Analysis of influential factors of ship mooring force based on cluster analysis and grey relational degree[J]. Journal of Dalian University of Technology, 2023, 63(4): 377-384(in Chinese).

[12] 陳蕊, 王雪, 王子文, 等. 基于隨機(jī)森林特征重要性和區(qū)間偏最小二乘法的近紅外光譜波長篩選方法[J]. 光譜學(xué)與光譜分析, 2023, 43(4): 1043-1050. CHEN RUI, WANG XUE, WANG ZIWEN, et al. Wavelength selection method of near-infrared spectrum based on random forest feature importance and interval partial least square method[J]. Spectroscopy and Spectral Analysis, 2023, 43(4): 1043-1050(in Chinese).

[13] 寇發(fā)榮, 羅希, 門浩, 等. 基于特征優(yōu)選與改進(jìn)極限學(xué)習(xí)機(jī)的鋰電池SOC估計(jì)[J]. 儲(chǔ)能科學(xué)與技術(shù), 2023, 12(4): 1234-1243. KOU FARONG, LUO XI, MEN HAO, et al. State of charge estimation of lithium battery based on feature optimization and improved extreme learning machine[J]. Energy Storage Science and Technology, 2023, 12(4): 1234-1243(in Chinese).

[14] 宋述芳, 何入洋. 基于隨機(jī)森林的重要性測(cè)度指標(biāo)體系[J]. 國防科技大學(xué)學(xué)報(bào), 2021, 43(2): 25-32. SONG SHUFANG, HE RUYANG. Importance measure index system based on random forest[J]. Journal of National University of Defense Technology, 2021, 43(2): 25-32(in Chinese).

[15] 李曉理, 梅建想, 張山. 基于改進(jìn)粒子群優(yōu)化BPAdaboost神經(jīng)網(wǎng)絡(luò)的PM2.5濃度預(yù)測(cè)[J]. 大連理工大學(xué)學(xué)報(bào), 2018, 58(3): 316-323. LI XIAOLI, MEI JIANXIANG, ZHANG SHAN. PM2.5concentration prediction using BPAdaboost neural network based on modified particle swarm optimization[J]. Journal of Dalian University of Technology, 2018, 58(3): 316-323(in Chinese).

[16] 邵科嘉. 基于LSTM_Adaboost的聯(lián)合循環(huán)電廠輸出功率預(yù)測(cè)研究[D]. 鄭州: 華北水利水電大學(xué), 2023. SHAO KEJIA. Research on output power prediction of combined cycle power plant based on LSTM_Adaboost[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2023(in Chinese).

[17] 潘紅宇, 趙云紅, 張衛(wèi)東, 等. 基于Adaboost的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)地表沉陷預(yù)測(cè)[J]. 煤炭科學(xué)技術(shù), 2019, 47(2): 161-167. PAN HONGYU, ZHAO YUNHONG, ZHANG WEIDONG, et al. Prediction of surface subsidence with improved BP neural network based on Adaboost[J]. Coal Science and Technology, 2019, 47(2): 161-167(in Chinese).

[18] 李健, 熊琦, 胡雅婷. 基于改進(jìn)AdaBoost算法對(duì)環(huán)柄菇毒性判別研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào), 2021, 42(3): 72-77. LI JIAN, XIONG QI, HU YATING. Study on the toxicity identification of Pleurotus ostreatus based on improved AdaBoost algorithm[J]. Journal of Chinese Agricultural Mechanization, 2021, 42(3): 72-77(in Chinese).

[19] LI Y, ZENG H, ZHANG M, et al. A county-level soybean yield prediction framework coupled with XGBoost and multidimensional feature engineering[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 118: 103269.

[20] ZHOU J, ZHU S, QIU Y, et al. Predicting tunnel squeezing using support vector machine optimized by whale optimization algorithm[J]. Acta Geotechnica, 2022, 17(4): 1343-1366.

[21] 袁叢祥, 劉志祥, 楊小聰, 等. 基于WOA-XGBoost模型的膠結(jié)充填體強(qiáng)度預(yù)測(cè)[J]. 高壓物理學(xué)報(bào), 2023, 37(5): 115-125. YUAN CONGXIANG, LIU ZHIXIANG, YANG XIAOCONG, et al. Strength prediction of cemented paste backfill body based on WOA-XGBoost model[J]. Chinese Journal of High Pressure Physics, 2023, 37(5): 115-125(in Chinese).

Wall Temperature Prediction of Boiler Heating Surface Based on Combination Model of Feature Optimization and Machine Learning

QI Haohao1, MAO Dajun1, CHEN Siqin2

(1.College of Automation Engineering, Shanghai University of Electric Power, Shanghai 200090, China; 2.Shidongkou Second Power Plant, Huaneng Power International Inc., Shanghai 200942, China)

In order to predict the changing trend of boiler wall temperature in time and effectively, taking the high temperature reheater of a 600 MW unit 1 in a thermal power plant as an example, a hybrid adaptive boosting (Adaboost) model based on feature selection and extreme gradient boosting (XGboost) is proposed. Firstly, the linear and non-linear correlation degrees between a large number of historical operation data of boilers and high-rewall temperature are calculated by using the grey correlation analysis method and the random forest characteristic importance analysis method respectively, and then the comprehensive feature ordering is carried out. On the basis of feature optimization, the combined model of XGboost-Adaboost is used to predict the high-rewall temperature of boiler. The experimental results combined with real operation data show that the average relative error and root mean square error of the model are 0.18% and 1.34 ℃ respectively. The prediction accuracy of the model is higher than that of several correlated high-rewall temperature prediction methods.

coal-fired power plant; high-temperature reheater; temperature prediction;grey relational analysis; random forests; XGboost; Adaboost

10.3969/j.ISSN.1672-0792.2024.02.008

TK223.3；TK39

A

1672-0792(2024)02-0071-08

華能集團(tuán)有限公司2022年度科技項(xiàng)目（HNKJ22-HF22）。

2023-10-18

祁浩浩（2000—），男，碩士研究生，研究方向?yàn)楣收项A(yù)警；

茅大鈞（1966—），男，教授，研究方向?yàn)楣收项A(yù)警、智慧燃料；

陳思勤（1970—），女，正高級(jí)工程師，研究方向?yàn)殡姀S生產(chǎn)過程自動(dòng)化和智能化。

茅大鈞