基于异构Stacking集成学习结合SHAP解释与CFD验证的过热器烟气温度偏差预警

《Process Safety and Environmental Protection》：Early warning of Superheater flue gas temperature deviation based on heterogeneous stacking ensemble learning combined with SHAP interpretation and CFD verification

　　

摘要

本研究针对一台600 MW切向燃烧煤粉锅炉的过热汽包截面烟温差异常问题，基于现场DCS运行数据开发了一种智能检测方法。以双边过热汽包烟温差作为异常判据，在缺失数据插补、离群值剔除和特征标准化之后，按80分位数对高/低风险样本进行标注。提出了一种基于加权软投票的工作条件感知异构集成模型（CA-HISF），用于异常工况检测。在顺序数据划分的测试集上，该模型准确率达94.37%，召回率达92.96%，F1分数达93.27%，漏报率仅2.84%，在ROC性能、Brier概率校准、DCA净获益和风险分层方面均优于十二种竞争机器学习算法。DeLong检验和McNemar检验确认了统计显著性。采用SHAP-GAM和Cox-KM生存分析进行模型可解释性分析。定量SHAP-GAM结果表明，炉膛含氧量、主汽温度和SOFA-L1是主要影响参数，贡献率分别为35.3%、13.6%和9.8%；Cox-KM分析确认模型导出的风险评分是过热汽包温差超限的独立风险因素。基于核心参数设计的七组CFD算例从炉膛内温度场和流场演化角度验证了上述统计结论。CFD模型与现场实测数据比对，平均相对误差低于6%。模拟结果表明，过量空气系数相关的氧量条件主导过热汽包温度变化，而整个SOFA风分配系统中SOFA L1开度是另一个重要影响因素。

引言

在双碳目标驱动下，风电和光伏等间歇性新能源的装机容量份额逐年上升，对电网稳定调节造成日益增长的压力（Ji et al., 2026a; Wang et al., 2025; Wu et al., 2025）。作为核心的调峰和备用电源，燃煤机组从固定负荷运行转向宽负荷范围的深度调峰和频繁负荷循环（Chen et al., 2025; Hou et al., 2024）。频繁的机组负荷波动破坏炉膛燃烧稳定性，引发火焰中心偏移、炉膛温度分布不均和煤粉燃烧不充分等频发问题（Modliński et al., 2019）。这些问题容易导致熔融灰渣附着在水墙、过热器和再热器等关键受热面上，逐渐积累形成严重结渣（D. Taler et al., 2018）。严重结渣大幅降低受热面传热效率，增加排烟热损失和发电煤耗，降低机组经济性，并提高危及设备和人员安全的安全事故风险（Hajebzadeh et al., 2019; J. Taler et al., 2018）。电厂主要依靠运行人员现场巡检和历史运行经验来监控过热汽包烟温状况。该方法检测滞后明显，无法提前捕捉温度偏差的发展趋势。由于持续温度偏差是潜在结渣风险的重要指标，及时识别此类偏差对预防性运行至关重要。

随着人工智能的发展，数据驱动的预警模型被广泛用于锅炉工况监测（Karami et al., 2012; Khairul et al., 2014）。数据驱动方法优于数学建模和数值仿真（Leong et al., 2019; Qi et al., 2018）。复杂的非线性限制了锅炉数学建模，后者依赖大量理想假设。此外，数值仿真计算时间过长，无法实现在线实时监测（Ma et al., 2007; Taler et al., 2015）。在数据驱动研究中，Laubscher基于循环神经网络构建了燃煤电厂过热汽包金属温度的时间序列预测模型（Laubscher, 2019）。Yin和Xie提出了一种多尺度融合时间卷积神经网络，以实时预测加热管金属温度（Yin and Xie, 2022）。Hong采用长短期记忆神经网络预测循环流化床锅炉床温（Hong et al., 2020）。训练数据驱动模型仅需输入数据集和模型拟合。然而，此类模型在实际工程中部署具有挑战性（Liu et al., 2021; Teng et al., 2021）。数字孪生技术为电力行业基于数据的异常检测开发提供了新途径（Negri et al., 2017）。数字孪生系统通常整合机器学习算法（Brynjolfsson and Mitchell, 2017）、数据驱动方法（Lyu and Liu, 2021）、通信技术（Weigel and Fischedick, 2019）及其他相关技术（Chen et al., 2022）。Tripura等人提出了一种数字孪生框架来构建和更新动态系统（Tripura et al., 2023）。该框架在裂纹扩展等退化检测中表现良好。Cui等人开发了一种数字孪生框架（Cui et al., 2023），采用数据驱动方法预测金属温度时间序列并检测燃煤锅炉的异常金属温度。然而，无论数字孪生系统的具体形式如何，其核心在于通过数据驱动模型进行数据处理（Satpathy and Ramachandaramurthy, 2026）。大多数现有数据驱动模型基于单一算法构建，在波动的调峰工况下缺乏稳定的识别性能。此外，大多数数据建模忽略了物理机制约束，仅从统计层面挖掘数据内部相关性，因此参数影响规律无法匹配真实燃烧过程。

不同于静态独立样本，燃煤锅炉DCS时间序列数据具有强时间自相关性和因果依赖性。随机划分会将未来运行信息混入训练集，引发时间数据泄露，导致离线评估指标被高估（Abdurakipov et al., 2026, Ji et al., 2026b）。由于不同锅炉机组的工况和数据采集条件不一致，无法直接将模型指标与其他文献进行定量比较；本文对现有锅炉预测研究进行定性方法论比较，以验证所提框架的合理性（Wang et al., 2026, Xu et al., 2024）。对于锅炉温度偏差研究，直接与文献进行定量性能比较不可行，因为不同锅炉类型、机组容量、燃料特性和采样配置下的DCS数据特征差异显著。在评估方法方面，定性比较显示本研究额外补充了时间有序顺序划分、扩展窗口时间序列交叉验证和重复随机划分之间的跨策略分析，定量展示了传统随机划分在自相关工业传感器数据上的时间数据泄露风险。这为该领域未来研究提供了有用的方法学指导。

因此，本文对过热汽包截面异常烟温差进行数据驱动的检测与可解释性分析，整合统计识别精度与CFD物理机制验证。构建异构堆叠集成模型以提升复杂锅炉工况下的结渣识别性能。进一步采用SHAP（Hao and Zhou, 2026）和GAM（Hua et al., 2021）量化关键参数的非线性影响。基于可解释性分析逆向设计CFD工况以探索机理。这弥补了纯数据驱动模型中物理约束的缺失，建立了结合数据驱动预测与燃烧机理验证的集成框架。本研究的研究框架如图1所示。主要创新总结如下：

（1）基于实测过热汽包烟温差构建数据驱动标签，并使用统计样本分位数对异常/正常样本进行分类。由于标签独立于输入特征，避免了主观经验标注和特征泄露，实现了从连续运行参数到烟温异常风险的客观映射。

（2）提出了一种名为CA-HISF的异构集成模型用于异常工况检测。该模型整合了具有不同固有机制的多种基于树的基学习器，并通过具有动态Softmax权重分配的加权软投票实现多模型信息融合。所提方法缓解了单一算法在变工况下的预测漂移，提高了异常温差的识别精度和概率预测可靠性。

（3）建立了结合SHAP-GAM解释、生存统计和CFD模拟的双向验证框架。利用统计工具量化参数贡献权重和非线性阈值特征；然后设计针对性的风分配模拟算例，从炉膛内微观流场和温度场特征揭示烟温失衡的内在机理。

小节片段

异构堆叠集成模型原理

所提出的CA-HISF模型采用加权软投票集成策略，这通常在广义上被称为堆叠集成。与使用元学习器的传统堆叠不同，所提模型通过加权概率平均组合基学习器的预测，不引入额外可学习参数。

具有加权软投票的异构集成学习将具有不同学习机制的基模型整合以互补增效，提升

数据预处理与数据集构建

本研究使用中国山西某电厂一台600 MW亚临界切向燃烧锅炉20天的DCS运行数据。稳态运行参数被选为输入特征，如图2所示。原始DCS数据经过系统的预处理流程以确保数据质量和模型可靠性。

步骤1：缺失值处理。缺失率超过30%的变量被剔除。对保留变量使用线性插值填充短间隙。x?i=xi?1+(xi+1?

结论

针对火电机组过热汽包异常烟温差的精确早期预警和参数机理分析的工程需求，本文基于600 MW机组现场DCS运行数据构建了温度异常二分类数据集，提出了一种工况感知异构堆叠融合预警模型CA-HISF。通过整合SHAP-GAM解释分析、生存统计检验和CFD数值

CRediT作者贡献声明

Yingchi Chen：撰写——初稿、方法学、调查研究。Qinhui Wang：撰写——审阅与编辑、方法学、调查研究。Zhihua Tian：方法学、调查研究。Yufei Liu：方法学、调查研究。Zhiyuan Yang：方法学、调查研究。Guilin Xie：方法学、调查研究。Bin Zhang：方法学、调查研究。

致谢

本研究得到了中国山西省重大科技计划项目的支持。（202201090301013）

利益声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

Yingchi Chen|Qinhui Wang|Bin Zhang|Zhihua Tian|Yufei Liu|Zhiyuan Yang|Guilin Xie