目前，电力行业发电技术与人工智能的融合依然处于初级阶段，电厂大量数据未被深度挖掘和利用，而在新兴的燃气电厂中，燃机数据的集成、分析技术落后更加明显，燃气电厂缺少对机组性能的有效评估方法，发电行业由此受到电网不必要的考核，影响机组的经济性和安全性。针对这些问题，大唐国际发电股份有限公司北京高井热电厂，采用机器学习的方法对燃机数据进行深度挖掘，构建相应的岭回归模型，帮助燃气发电厂对燃机最大输出功率较为准确的预测，成功实现了机器学习技术和燃气电厂技术的融合应用。

项目使用机器学习对燃气轮机运行数据进行数据探索、特征工程、模型训练、交叉检验、现场部署，实现了燃机最大输出功率实时预测。所用数据集为大唐集团发电股份有限公司北京高井热电厂2018年1月1日 00:00:00至2019年11月4日 16:00:00期间2号燃机的实际运行数据。使用Python的pandas模块对数据进行预处理，筛选出满负荷工况数据，通过相关系数矩阵对特征进行分析筛选，筛选出主要特征为大气温度，通过sklearn模块建立基于环境温度的燃机最大输出功率的岭回归预测模型：POWER_MAX= -0.021998*T*T-1.03*T+302.6739，平均预测精度为98.7%，最大误差约2%。

项目以大型发电集团的数字信息化为基础，将人工智能的机器学习方法应用于工业分析建模，极大地提升燃气电厂对燃机最大功率的预测能力，让发电企业能够更加主动的参与电力市场交易，有助于提高发电厂运营的经济性，减少由于负荷受限而导致的电网考核。而对于电网而言，在电力需求已知的情况下，可以为优化燃机的负荷提供依据，尽可能优化负荷分配，提高运行燃机的热效率。

项目中的岭回归模型较传统的经验系数模型有如下优点：

模型预测精度高，适用性广，平均预测精度为98.7%。

模型简单，容易存储和调用，方便部署在移动端；

模型扩展性强，接入天气预报数据可以实现燃机最大功率的实时预测；

建模过程需要的计算资源少，能够快速训练模型；

模型和数据分离，易于在不同的工业场景中推广应用。

项目实施后，通过对燃机的最大出力实时预测，帮助发电企业在争取发电量时更加有条不紊，极大地减少了由于负荷受限而导致的电网考核；同时通过比较预测值和实际最大负荷也能对燃机的健康状况有一个较为直观的了解，让发电厂能够防患于未然，有计划地安排机组检修工作，减少问题的发生，减少生产的损失，减少设备检查、维护费用、降低非计划停机风险，提高燃气轮机和发电机组的可靠性，每年可为电厂增加营收约200万元。

项目中的数据分析方法可广泛应用于工业领域对于许多工业设备而言，使用机器学习建模，能够实现基于设备实际状况的建模，并且模型与数据分离，模型适用性广，通过更换训练数据，就能够将新模型用于其他同类设备。所需要的初始成本低，同类设备推广成本很小，适合大面积推广应用与工业数据分析。