火力发电的发展虽然给社会经济发展带来了诸多效益,但是也带来了一些负面影响,如煤炭资源的过量开采、污染物的超标排放等。循环流化床锅炉是一种采用清洁燃烧技术的锅炉,它的使用推动了火力发电由数量供给向质量供给转变。循环流化技术可以提高燃烧效率、增强煤种适应性,是目前能源技术发展的方向之一,在火力发电中得到了广泛的应用。但目前循环流化床的运行控制还未完全实现自动化,部分控制仍然通过运行人员的经验判断并进行手动操作。这样的控制方式存在稳定性差、经济性差等问题。本文首先从宏观角度阐述了循环流化床锅炉的特点和建模理论的研究现状。针对目前工业大数据的现状,对电厂数据常用的数据预处理和预测建模方法进行了详细阐述。从原理角度分析循环流化床锅炉的燃烧机理,结合电厂历史运行数据,提出了一种基于岭回归、XGBoost、门控循环单元神经网络(GRU)的Stacking多模型融合算法,对循环流化床锅炉二次风进行预测建模。得出可适应各种变工况条件下的二次风预测模型。最后,使用某电厂350MW超临界循环流化床锅炉214天非供暖期的历史运行数据作为训练集和测试集。经过数据清洗、数据标准化等预处理步骤,并对特征进行选择整合后将数据输入模型进行训练。对单一算法模型和融合模型的预测能力进行对比。实验结果表明,岭回归模型在测试集上的预测误差MAPE值为13.59%,GRU模型在测试集上的预测误差MAPE值为13.55%,XGboost模型在测试集上的预测误差MAPE值为8.96%,而基于Stacking的融合模型在测试集上的预测误差只有5.19%。因此基于Stacking的融合模型在变工况条件下有更好适应能力,并能产生更好的预测效果。