基于特征優選和機器學習組合模型的鍋爐受熱面壁溫預測

祁浩浩，茅大鈞，陳思勤

基于特征優選和機器學習組合模型的鍋爐受熱面壁溫預測

祁浩浩1，茅大鈞1，陳思勤2

（1.上海電力大學 自動化工程學院，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）

為及時有效預測鍋爐壁溫的變化趨勢，以某火電廠600 MW的1號機組高溫再熱器為例，提出一種融合特征篩選和極端梯度樹（Extreme gradient boosting，XGboost）組合自適應增強算法（Adaptive boosting，Adaboost）模型。首先，利用灰色關聯分析法和隨機森林特征重要度分析法分別計算鍋爐大量的歷史運行數據與高再壁溫之間的線性和非線性關聯度，然后進行綜合特征排序。在特征優選的基礎上，利用建立的XGboost-Adaboost組合模型進行鍋爐高再壁溫的預測。結合真實運行數據的實驗結果表明，該預測模型的平均相對誤差和均方根誤差分別為0.18%和1.34 ℃，預測的精度高于幾種相關類型高再壁溫的預測方法。

燃煤電站；高溫再熱器；溫度預測；灰色關聯分析；隨機森林；XGboost；Adaboost

0 引言

超（超）臨界機組的發電技術日益成熟，但爐管超溫問題仍困擾著火力發電機組的安全運行，尤其是末級過熱器和高溫再熱器發生超溫的可能性較大[1]。目前，針對爐管超溫問題的控制措施或解決方法可分為3個方面：基于實時監測調控的方法、基于數值模擬研究的方法、基于數據驅動的軟測量方法。

監測調控的方法。文獻[2]針對1 000 MW超超臨界鍋爐開發了壁溫在線監測系統，改善了壁溫報警閾值設定并實現動態壁溫報警，為受熱面溫度的監測和控制提供了科學準確的指導；文獻[3]針對某電廠機組開發了一套鍋爐壁溫在線監測系統，通過比較不同超溫置信度與現場的實測壁溫，判斷出不同受熱面的超溫嚴重程度，使運行人員更準確了解鍋爐的超溫情況。然而，由于采用實時監測鍋爐壁溫的方法時，一般是在受熱面已經發生超溫情況下系統才進行報警，所以系統缺乏對壁溫變化的可預知性。

數值模擬研究的方法。文獻[4]提出了煙氣與管內工質流動換熱的耦合模型，并利用Fluent和MATLAB軟件準確模擬了超臨界鍋爐爐內煙氣場和受熱面壁溫分布情況；文獻[5]使用控制體積的有限元方法對生物質循環流化床鍋爐的過熱器建立了數值模型，結合了過熱器管壁的二維模型、流動蒸汽的一維模型和循環流化床的零維模型，有效地計算了由復雜形狀的管道制成的過熱器管內的溫度分布；文獻[6]提出了燃煤鍋爐煙氣側三維計算流體力學模型與工質側一維水動力模型的耦合傳熱計算模型。數值模擬研究的思路是：利用管壁熱流密度和管內工質溫度的數據交互實現了耦合傳熱計算；計算中考慮了水冷壁煙氣側的熱流分布和管內工質溫度，同時可分析水冷壁結構設計和吸熱偏差對工質流量的影響。這為判斷管壁超溫或高溫腐蝕提供重要依據。然而，數值模擬的計算公式復雜，鍋爐受熱面的數學建模繁瑣，這使其在實際的工程應用中受限。

近年來，基于數據驅動的方法在發電領域的應用研究成為熱點。文獻[7]提出了一種結合灰色關聯分析法和BP（Back propagation）神經網絡的方法，準確預測了變負荷情況下的過熱器壁溫的變化，對過熱器超溫預警起到了一定的指導作用；文獻[8]對600 MW超臨界鍋爐受熱面構建麻雀優化（Sparrow optimization，SO）、長短期記憶網絡（Long short term memory，LSTM）組合算法壁溫預測模型，并利用高關聯度的特征對預測壁溫進行修正以提升模型的預測精度。但是在現有研究中，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系高的特征參數。

針對上述問題，所以本文考慮融合2種特征篩選的方法構建XGboost-Adaboost壁溫預測模型。具體思路是：先利用灰色關系分析（Grey relational analysis，GRA）和隨機森林（Random forests，RF）算法綜合篩選出關聯性較大的特征變量，然后在最優的特征變量數目上構建XGboost-Adaboost組合預測模型，最后實現鍋爐高溫再熱器壁溫的預測。

1 相關性分析算法

1.1 基于GRA的特征選擇方法

GRA是一種多因素關聯與比較的方法。GRA以灰色關聯度大小來描述因素間關系強弱[9-11]，可用于探索和評估多個因素對某個目標的影響程度。計算灰色關聯度的一般步驟如下：

步驟5）根據灰色關聯度進行排序。

由于GRA是基于線性相關性的，在處理變量之間的非線性關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是由多個并行的弱分類器組合成的強分類器模型，其在對高維數據和噪聲數據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據時能夠給出變量重要性評分[12]。

RF特征變量重要性的計算方法有3種[13,14]：頻數統計、基尼指數和平均精度下降法。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的因素，具體計算步驟如下。

2 預測模型設計及原理

2.1 Adaboost算法原理

Adaboost是一種基于Boosting的構建算法。在解決回歸預測問題時，可通過綜合多個弱預測器算法，生成精度高的強預測器，從而提高預測模型的泛化能力。

Adaboost通過改變數據集的權值，利用弱預測器對訓練集進行訓練預測。在訓練過程中，調整樣本權重，使弱預測器能夠集中學習錯誤樣本；再在更新的訓練集上進行訓練，得到一系列的弱預測器；最后，通過對弱預測器進行線性加權組合，形成強預測器[15-17]。Adaboost算法步驟如下：

步驟6）更新樣本集的權重分布。

步驟7）不斷迭代訓練完成所有的弱預測器，最終得到強預測器。

雖然Adaboost算法的最終強預測器具有很好的穩定性和預測準確率，然而其對異常數據值較為敏感，可能因過擬合問題而降低最終強預測器的準確率[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上進行了改進：不斷構造新的決策樹，并進行特征分裂生長樹訓練，以擬合上一棵樹預測的殘差。當訓練完成后，將樹中所有葉子節點所對應的分數相加即可得到最終預測結果[19-21]。

2.3 XGboost-Adaboost算法模型

XGboost-Adaboost算法是對XGboost算法和Adaboost算法的組合改進。Adaboost以XGboost為弱預測器。在每次的迭代過程后，根據每個XGboost弱預測器的預測誤差計算權重。通過增大預測精度高的XGboost弱預測器的權重、降低預測精度低的XGboost弱預測器的權重，來提升模型的預測精度。通過合并多個XGboost弱預測器，XGboost-Adaboost克服了Adaboost容易受到異常值干擾和收斂速度慢的缺點，從而形成具有強泛化能力和穩定性的強預測器。XGboost- Adaboost算法模型如圖1所示。

圖1 XGboost-Adaboost算法模型

由圖1可知：特征數據經過隨機采樣后被輸入到XGboost-Adaboost模型中；上一個弱學習器的結果會影響到下一個隨機采樣后樣本的權重分配；綜合各弱預測器的結果即得到最終結果。

基于特征優選和XGboost-Adaboost組合模型的鍋爐受熱面壁溫預測的具體流程如圖2所示。

圖2 XGboost-Adaboost算法具體流程

由圖2可知，歷史數據集經過2種不同的特性篩選方法后進入預處理環節以剔除異常數據，然后再輸入進XGboost-Adaboost組合模型進行訓練、驗證。訓練的過程中，模型不斷依據上一個XGboost弱預測器的預測結果而加重對錯誤樣本的學習，更新每個弱預測器的權重系數。最后，綜合考慮每個弱預測器的預測結果并進行線性組合，生成強預測器。

3 壁溫預測模型的仿真驗證

3.1 研究對象

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、全懸吊結構Π型鍋爐。水平煙道中的高溫再熱器布置在末級過熱器的前方，且擁有一些高溫煙氣測溫裝置。表1給出了該鍋爐的部分技術參數。

從該廠的超溫報告統計數據中分析出，高溫再熱器的第15至第21屏的8號管出現超溫次數比較頻繁；故本文選取第20屏的8號管為研究對象進行分析。

表1 鍋爐最大連續蒸發量技術參數

3.2 預測模型仿真驗證

根據1號鍋爐的歷史運行數據并結合GRA，綜合考量25個影響鍋爐高溫再熱器管壁溫度的主要特征變量。通過計算特征變量之間、特征子變量與目標變量之間的線性關聯度，將各個特征進行依次排序，得到每個特征的重要性分值排名。由GRA計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特征重要度計算特征變量之間與目標變量之間的非線性關聯度，并將各個特征進行依次排序，結果如圖4所示。

圖4 RF特征重要性排序

為消除量綱的影響，對圖3、4結果歸一化后對應疊加得出如表2的最終排序結果。

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影響模型的預測準確率。

選擇不同數量的特征進行實驗。通過比較輸入預測模型中不同特征數量下的預測均方差，以確定具有高準確性的特征變量數量。在同一特征數量下進行10次預測后，取其均方差的平均值作為對比標準。實驗結果如圖5所示。

圖5 特征數量對模型預測誤差的影響

通過圖5可以看出，當輸入模型的特征數量為15時，模型的預測均方差達到最小。故本文選取壁溫預測模型的特征數量為15，即取表2中綜合排名前15的輸入變量為特征變量。

為了進一步說明本文提出的預測模型更具有優越性，對比分析3種預測模型在1 000組測試樣本中的預測性能。以平均相對誤差（Mean absolute percentage error，MAPE）和均方根誤差（Root mean square error，RMSE）作為評價3種預測模型精度優劣的指標。誤差計算公式分別為：

圖6示出了不同算法模型預測相對誤差對比結果。表3示出了算法誤差指標對比。

圖6 不同算法模型預測相對誤差對比結果

表3 算法誤差指標對比

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

4 結論

本文基于鍋爐高溫再熱器相關的歷史運行數據，結合GRA和RF算法的特征優選方法，選擇出與高再壁溫關聯度大的特征參數；構建了高溫再熱器的XGboost-Adaboost組合壁溫預測模型，實現了鍋爐高溫再熱器壁溫在線準確預測。

本文提出的壁溫預測組合模型在進行壁溫預測時，相較于兩種子模型表現出較好的預測性能，模型的最大相對誤差在（–1.3%，1%），平均相對誤差為0.18%，均方根誤差為1.34 ℃。模型精度符合電廠在線監測和分析的要求，對鍋爐高再壁溫的實際運行監測具有一定意義。

展望：為進一步提高本文組合模型性能，尋找最優的弱預測器數量、提高組合模型的預測準確率和效率將是本研究的未來目標。

[1] 弓林娟, 侯國蓮, 胡博, 等. 面向低碳靈活運行的超臨界機組模糊預測控制策略[J]. 中國電機工程學報, 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. 壁溫在線監測系統在1 000 MW超超臨界塔式鍋爐中的應用[J]. 鍋爐技術, 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. 鍋爐壁溫在線監測系統的設計與實現[J]. 電測與儀表, 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, 司風琪, 李敏, 等. 基于燃燒與水動力耦合模型的鍋爐蒸汽管超溫特性研究[J]. 熱能動力工程, 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測耦合模型[J]. 熱力發電, 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. 變負荷下超(超)臨界機組過熱器壁溫預測[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. 基于數據驅動的超臨界鍋爐受熱面壁溫預測方法[J]. 熱力發電, 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. 基于支持向量機的主汽溫趨勢預測[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. 灰色關聯度模型研究綜述[J]. 統計與決策, 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聯度的船舶系纜力影響因素分析[J]. 大連理工大學學報, 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. 基于隨機森林特征重要性和區間偏最小二乘法的近紅外光譜波長篩選方法[J]. 光譜學與光譜分析, 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] 寇發榮, 羅希, 門浩, 等. 基于特征優選與改進極限學習機的鋰電池SOC估計[J]. 儲能科學與技術, 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. 基于隨機森林的重要性測度指標體系[J]. 國防科技大學學報, 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. 基于改進粒子群優化BPAdaboost神經網絡的PM2.5濃度預測[J]. 大連理工大學學報, 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的聯合循環電廠輸出功率預測研究[D]. 鄭州: 華北水利水電大學, 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, 張衛東, 等. 基于Adaboost的改進BP神經網絡地表沉陷預測[J]. 煤炭科學技術, 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AdaBoost算法對環柄菇毒性判別研究[J]. 中國農機化學報, 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模型的膠結充填體強度預測[J]. 高壓物理學報, 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

華能集團有限公司2022年度科技項目（HNKJ22-HF22）。

2023-10-18

祁浩浩（2000—），男，碩士研究生，研究方向為故障預警；

茅大鈞（1966—），男，教授，研究方向為故障預警、智慧燃料；

陳思勤（1970—），女，正高級工程師，研究方向為電廠生產過程自動化和智能化。

茅大鈞