火力发电是我国的主要发电方式,是国民经济的支柱。因此降低能源消耗、提高锅炉的燃烧效率是我们目面临的主要问题。火力发电的工艺流程是原料加热产生的水蒸气促使汽轮机旋转,从而产生电能。在以上过程中燃烧效率是影响发电效率的主要因素。影响燃烧效率的因素很多,包括锅炉的可变参数,例如产生蒸汽的原料,影响燃烧的给风量;还有锅炉运行的工况,比如锅炉温度、压力、流量的控制等。目前,国内电力企业对于锅炉燃烧优化,工程上通常只是凭借单个或多个变量组合的理论依据和操作经验进行燃料和配风的人工调整,难以达到理想的运行效果,导致了能源的浪费。由于锅炉的燃烧效率是一个涉及多变量、非线性、复杂度较高的过程,很难根据一些理论依据和经验找到最合理的工艺参数,这就导致在研发设计的过程中,工艺参数的验证和优化耗费大量时间。随着人工智能技术的发展,我们可以利用机器学习方法对锅炉历史燃烧数据进行分析和研究,从而解决锅炉燃烧效率的问题。本文以电厂的历史运行数据为研究对象,采用机器学习方法,利用多元线性回归、支持向量回归(Support Vector Regression,SVR)、树模型(Extreme Gradient Boosting,XGBoost)和(A Highly Efficient Gradient Boosting Decision Tree,Light GBM)及改进的模型融合方法建立一个蒸汽量预测模型,运用该预测模型实现锅炉运行过程的模拟和验证,从而减少研发过程的工程更改量;基于预测模型参数,提高整体工艺水平;通过预测结果,实现能耗的评估。本文以蒸汽量预测及提高燃烧效率为出发点,详细解释了机器学习原理、模型的选择、模型的调优、模型的评估及模型融合等理论,并运用这些方法建模对蒸汽量进行预测。在具体实验中,本文使用Jupyter notebooks作为实验环境,Python作为研究工具,首先对数据中的噪声和异常值进行处理,并对样本进行归一化和特征进行标准化处理,然后对特征进行变换和构造。最后使用多元线性回归、SVR、XGBoost、Light GBM及改进的模型融合进行调优并预测,使用均方误差(MSE)作为模型性能验证的指标。基于模型融合算法,我们提出了一种添加元模型的方法,通过实验验证了该算法的有效性。