基于特征选择的火电机组燃煤量预测模型比较研究

doi:10.16381/j.cnki.issn1003-207x.2023.1457

摘要/Abstract

摘要：

清洁能源的间歇性和不确定性增加了发电系统的运行复杂性，因此，需要利用具有调峰能力的火电机组为风电、光伏等可再生能源进行调峰，提高电网的整体稳定性，建立准确有效的火电机组调峰煤耗预测模型，对火电企业实现高效运营有重要意义。本文基于火电机组运营大数据，针对火电运行数据的高维和强耦合的特点，首先使用聚类算法划分工况，再使用特征选择方法处理数据集，降低机组数据维度和过拟合的风险，最后建立集成树模型实现对火电机组燃煤量的智能预测。通过对不同模型的预测效果进行分析，研究发现，不同的机器学习算法在不同的火电运营工况下的煤耗预测效果存在差异，因此，在进行煤耗管理时，需要基于工况差异，选择预测精度高的机器学习算法，以最大限度地发挥算法带来的火电机组煤耗节约效果。

关键词: 火电机组, 燃煤量, 特征选择, 集成学习, 预测模型

Abstract:

The intermittency and uncertainty of clean energy have increased the operational complexity of the power generation system. It is necessary to utilize thermal power units with peak load regulation capability to balance the fluctuation of renewable energy sources such as wind and solar power， thereby enhancing the overall stability of the grid. Establishing an accurate and effective coal consumption prediction model for thermal power units is of great significance for the efficient operation of thermal power enterprises. The method used in this paper is based on the operational big data of thermal power units， considering the high-dimensional and strong coupling characteristics of the data. Firstly， clustering algorithms are employed to divide operational conditions. Secondly， feature selection methods are applied to process the dataset， reducing data dimensionality and the risk of overfitting. Finally， ensemble tree models are established for the intelligent prediction of coal consumption in thermal power units. By analyzing the prediction effects of different models， it is found that the coal consumption prediction performance of various machine learning algorithms varies under different operational conditions of thermal power. Therefore， when managing coal consumption， it is necessary to select machine learning algorithms with high prediction accuracy based on the differences in operational conditions to maximize the coal-saving effects brought by the algorithms.

Key words: thermal power unit, coal consumption, feature selection, ensemble learning, prediction model

中图分类号:

F206

贺昊,周健,朱磊. 基于特征选择的火电机组燃煤量预测模型比较研究[J]. 中国管理科学, 2026, 34(10): 386-396.

Hao He,Jian Zhou,Lei Zhu. Comparative Study on Coal Consumption Prediction Models of Thermal Power Units Based on Feature Selection[J]. Chinese Journal of Management Science, 2026, 34(10): 386-396.

图/表 13

图1

图2

图3

图4

图 5

图6

图7

表1

图8

表2

表3

所有煤耗预测模型的决定系数"

工况	特征选择	$R 2$
工况	特征选择	RFR	XGBoost	CatBoost
工况一	LASSO	0.9146	0.9098	0.9141
	RFE	0.8745	0.8753	0.8862
	VSURF	0.9129	0.9073	0.9131
工况二	LASSO	0.9751	0.9749	0.9761
	RFE	0.9752	0.9756	0.9775
	VSURF	0.9752	0.9768	0.9778
工况三	LASSO	0.6099	0.6251	0.6921
	RFE	0.6753	0.6771	0.7361
	VSURF	0.6235	0.6318	0.6942
工况四	LASSO	0.9578	0.9562	0.9588
	RFE	0.9576	0.9579	0.9601
	VSURF	0.8937	0.9035	0.9168

表3

图9

图10

参考文献 34

[1]	Lin B Q， Li Z. Towards world’s low carbon development： The role of clean energy［J］. Applied Energy， 2022， 307： 118160.
[2]	Zhang W， Li B S， Xue R， et al. A systematic bibliometric review of clean energy transition： Implications for low-carbon development［J］. PLoS One， 2021， 16（12）： e0261091.
[3]	韩建国. 能源结构调整“软着陆”的路径探析——发展煤炭清洁利用、破解能源困局、践行能源革命［J］. 管理世界， 2016， 32（2）： 3-7.
	Han J G. Analysis on the path of “soft landing” of energy structure adjustment： Developing clean utilization of coal， solving energy dilemma and practicing energy revolution［J］. Journal of Management World， 2016， 32（2）： 3-7.
[4]	Wang X B， Chang J X， Meng X J， et al. Hydro-thermal-wind-photovoltaic coordinated operation considering the comprehensive utilization of reservoirs［J］. Energy Conversion and Management，2019，198： 111824.
[5]	杨洪明，刘俊鹏，梁芮，等. 考虑动态功率调节裕度的高比例风电系统水-火-荷分布鲁棒优化调度［J］. 系统工程理论与实践， 2021， 41（9）： 2327-2337.
	Yang H M， Liu J P， Liang R， et al. Distributionally robust optimal dispatching of hydro-thermal-load resources for high penetration of wind system with dynamic power regulation margin［J］.Systems Engineering- Theory & Practice， 2021， 41（9）： 2327-2337.
[6]	Gu Y J， Xu J， Chen D C， et al. Overall review of peak shaving for coal-fired power units in China［J］.Renewable and Sustainable Energy Reviews，2016，54： 723-731.
[7]	章良利，李敏，周晓蒙，等. 深度调峰下燃煤机组运行方式对能耗的影响［J］.中国电力，2017， 50（7）： 85-89.
	Zhang L L， Li M， Zhou X M， et al. Impact of the running modes of coal-fired units on energy consumption in in-depth peak load cycling［J］. Electric Power， 2017， 50（7）： 85-89.
[8]	Zhu W Q. Intelligent construction and management of thermal power plant based on Internet+ mode［C］//Proceedings of 4th International Conference on Environmental Science and Material Application （ESMA）， Xi’an， China， December 15-16 ，IOP Publishing， 2018： 032068.
[9]	周志华. 机器学习［M］. 北京：清华大学出版社， 2016.
	Zhou Z H. Machine learning［M］. Beijing： Tsinghua University Press， 2016.
[10]	牛东晓，斯琴卓娅，王董禹，等. 基于数据挖掘的电力装备企业多价值链协同数据预处理方法研究及应用［J］. 中国管理科学， 2023， 31（11）： 321-331.
	Niu D X， Siqin Z Y， Wang D Y， et al. Method and application of multi-value chain collaborative data mining in power equipment enterprises based on deep learning［J］. Chinese Journal of Management Science， 2023， 31（11）： 321-331.
[11]	Lv Y， Liu J Z， Yang T T， et al. A novel least squares support vector machine ensemble model for NO _x emission prediction of a coal-fired boiler［J］. Energy， 2013， 55： 319-329.
[12]	Cai J J， Ma X Q， Li Q. On-line monitoring the performance of coal-fired power unit： A method based on support vector machine［J］. Applied Thermal Engineering， 2009， 29（11-12）： 2308-2319.
[13]	Li G Q， Niu P F， Wang H B， et al. Least Square Fast Learning Network for modeling the combustion efficiency of a 300WM coal-fired boiler［J］. Neural Networks， 2014， 51： 57-66.
[14]	文雯，刘文哲，肖祥武，等. 基于大数据和并行随机森林算法火电机组供电煤耗计算模型［J］. 热力发电， 2018， 47（9）： 9-14.
	Wen W， Liu W Z， Xiao X W， et al. Calculation model of coal consumption for thermal power units based on big date and random forest algorithm［J］. Thermal Power Generation， 2018， 47（9）： 9-14.
[15]	郑伟，姚远，代邦武，等. 基于数据挖掘的燃煤机组厂级负荷经济调度［J］. 热力发电， 2021， 50（7）： 78-83.
	Zheng W， Yao Y， Dai B W， et al. Economic load dispatch of coal-fired power plant based on data mining technology［J］. Thermal Power Generation， 2021， 50（7）： 78-83.
[16]	刘文礼，马金虎，徐彬，等. 基于煤质与供电煤耗的火电厂配煤优化模型研究［J］. 煤炭工程， 2021， 53（11）： 158-163.
	Liu W L， Ma J H， Xu B， et al. Coal blending optimization model for thermal power plant based on coal quality and power supply coal consumption［J］. Coal Engineering， 2021， 53（11）： 158-163.
[17]	Zhang L， Zhou L S， Zhang Y T， et al. Coal consumption prediction based on least squares support vector machine［J］. IOP Conference Series： Earth and Environmental Science， 2019， 227： 032007.
[18]	李航. 机器学习方法［M］. 北京：清华大学出版社， 2022.
	Li H. Machine learning method［M］. Beijing： Tsinghua University Press， 2022.
[19]	雷明. 机器学习——原理、算法与应用［M］. 北京：清华大学出版社， 2019.
	Lei M. Machine learning： Principles， algorithms and applications［M］. Beijing： Tsinghua University Press， 2019.
[20]	闫泓序，余顺坤，林依青. 我国工业电力用户价值画像模型构建与应用研究［J］. 中国管理科学， 2021， 29（10）： 224-235.
	Yan H X， Yu S K， Lin Y Q. Research on the construction and application of the customer value portrait model of industrial power enterprise in China［J］. Chinese Journal of Management Science， 2021， 29（10）： 224-235.
[21]	Chandrashekar G， Sahin F. A survey on feature selection methods［J］. Computers & Electrical Engineering， 2014， 40（1）： 16-28.
[22]	Li Y， Li T， Liu H. Recent advances in feature selection and its applications［J］. Knowledge and Information Systems， 2017， 53（3）： 551-577.
[23]	Tibshirani R. Regression shrinkage and selection via the Lasso［J］. Journal of the Royal Statistical Society Series B： Statistical Methodology， 1996， 58（1）： 267-288.
[24]	张立军，谭冰洁. 基于迹lasso模型的变量筛选方法［J］. 系统工程， 2018， 36（12）： 127-134.
	Zhang L J， Tan B J. Variable selection method based on trace Lasso model［J］. Systems Engineering， 2018， 36（12）： 127-134.
[25]	Guyon I， Weston J， Barnhill S， et al. Gene selection for cancer classification using support vector machines［J］. Machine Learning， 2002， 46（1-3）： 389-422.
[26]	Genuer R， Poggi J M， Tuleau-Malot C. Variable selection using random forests［J］. Pattern Recognition Letters， 2010， 31（14）： 2225-2236.
[27]	Sun L， You F Q. Machine learning and data-driven techniques for the control of smart power generation systems： An uncertainty handling perspective［J］. Engineering， 2021， 7（9）： 1239-1247.
[28]	Kusiak A， Zhang Z. Control of wind turbine power and vibration with a data-driven approach［J］. Renewable Energy， 2012， 43： 73-82.
[29]	Ren Y， Zhang L， Suganthan P N. Ensemble classification and regression-recent developments， applications and future directions［J］. IEEE Computational Intelligence Magazine， 2016， 11（1）： 41-53.
[30]	Sagi O， Rokach L. Ensemble learning： A survey［J］. WIREs Data Mining and Knowledge Discovery， 2018， 8（4）： e1249.
[31]	Zhang D H， Qian L Y， Mao B J， et al. A data-driven design for fault detection of wind turbines using random forests and XGboost［J］. IEEE Access， 2018， 6： 21020-21031.
[32]	黄国兴，曹先怀，钱晓飞. 一种基于随机森林的备件预测模型研究［J］.运筹与管理，2021， 30（10）： 165-168.
	Huang G X， Cao X H， Qian X F. Research on spare parts prediction model based on random forest［J］. Operations Research and Management Science， 2021， 30（10）： 165-168.
[33]	高晓辉，周坤，李廉水. 基于XGBOOST和ELM的混合空气质量预警系统：以南京为例［J］. 中国管理科学， 2023， 31（5）： 269-278.
	Gao X H， Zhou K， Li L S. Hybrid air quality early warning system based on XGBoost and ELM： A case study of Nanjing［J］. Chinese Journal of Management Science， 2023， 31（5）： 269-278.
[34]	Hussain S， Mustafa M W， Jumani T A， et al. A novel feature engineered-CatBoost-based supervised machine learning framework for electricity theft detection［J］. Energy Reports， 2021， 7： 4425－4436.

工况	样本点数量	煤耗量	负荷
工况一	25806(32.26%)	29.85(5.61)	111.07(16.64)
工况二	25908(32.39%)	6.262(0.01)	0.16(0.03)
工况三	10894(13.62%)	30.21(3.89)	114.84(18.34)
工况四	17370(21.72%)	24.48(12.29)	72.81(81.21)

工况	特征选择	RMSE
工况	特征选择	RFR	XGBoost	CatBoost
工况一	LASSO	3.1233	3.1978	3.1188
	RFE	3.8387	3.8255	3.6511
	VSURF	3.1547	3.2342	3.1296
工况二	LASSO	1.4059	1.4121	1.3778
	RFE	1.4075	1.3902	1.3239
	VSURF	1.3967	1.3385	1.3124
工况三	LASSO	3.8851	3.7551	3.3976
	RFE	3.5045	3.4225	3.0736
	VSURF	3.8228	3.7202	3.3814
工况四	LASSO	2.6032	2.6481	2.5681
	RFE	2.6078	2.5943	2.5261
	VSURF	3.9402	3.7658	3.5254