基于随机搜索算法优化XGBoost的过热汽温预测模型

马良玉，於世磊，赵尚羽，孙佳明

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

0 引 言

燃煤发电机组运行中，维持过热汽温恒定在目标值附近，对于最大限度地提高发电效率及锅炉汽轮机组的寿命至关重要[1]。火电主力机型向高参数、大容量超临界、超超临界机组发展，使得过热汽温系统的大惯性、大时延特性更加明显，加大了过热汽温控制难度[2]。随着区域电网风能、太阳能等可再生能源电源的比例不断增加，为消纳清洁能源并保证电网供电品质，火电机组参与AGC深度调峰频繁大幅变负荷灵活运行已成常态，这更加增加了汽温调控的难度。因此采用先进的汽温控制策略改善过热汽温控制效果一直是现场重要的研究课题。

随着智能控制技术的发展，模型预测控制受到越来越多学者的关注。而建立过热汽温对象的高精度预测模型，是实现过热汽温智能优化控制的基础，对此很多学者进行了研究。文献[3]采用具有外部时延的极限学习机建立过热汽温模型，并用改进烟花算法对模型进行优化，模型具有较好的预测精度和泛化能力。文献[4]分别采用BP神经网络和Elman模型对过热汽温进行建模，表明两种模型都可以较好地逼近实际输出，但模型的训练时间较长。文献[5]采用粒子群优化算法对支持向量机的参数进行优化，建立了基于PSO-SVM的过热汽温模型，但建模和测试样本集较少。

本文以某600 MW超临界机组为对象，基于仿真机获取机组……