基于特征优选和机器学习组合模型的锅炉受热面壁温预测

为及时有效预测锅炉壁温的变化趋势，以某火电厂600MW的1号机组高温再热器为例，提出一种融合特征筛选和极端梯度树（Extreme gradient boosting,XGboost）组合自适应增强算法（Adaptive boosting,Adaboost）模型。首先，利用灰色关联分析法和随机森林特征重要度分析法分别计算锅炉大量的历史运行数据与高再壁温之间的线性和非线性关联度，然后进行综合特征排序。在特征优选的基础上，利用建立的XGboost-Adaboost组合模型进行锅炉高再壁温的预测。结合真实运行数据的实验结果表明，该预测模型的平均相对误差和均方根误差分别为0.18%和1.34℃，预测的精度高于几种相关类型高再壁温的预测方法。