我国的人均资源贫乏,因此每个企业都应当努力做好节省资源,优化生产计划,提高市场安全性和技术的工作。火力发电工程对于我国的能源结构调整有着重要的地位,火力发电的基本原理是:火力发电厂以燃煤为燃料在锅炉内燃烧,然后锅炉里的水经过加热生成蒸汽,再将锅炉中产出的具有一定压力、较高温度的蒸汽通过一系列阀门输送到汽轮机内,用水蒸气的内能来推动扇页转动,连带发电机转动,将其热能转换成推动汽轮机转子旋转的机械能,通过联轴器驱动发电机发电。在这一连串能量转化的过程中,锅炉的燃烧效率是影响发电效率的核心,热水在添加燃料的锅炉内蒸发产生高温高压的水蒸汽,而在火力发电领域中,热负荷就是指热水在添加燃料的锅炉中单位时间内所释放的高温高压水蒸气内能。而锅炉的蒸汽热负荷的影响因素很多,从锅炉的生产可调参数来看,有燃烧给量,一二次风,给水水量等;从锅炉自身的工况来看,有炉膛温度、吹灰器性能等。由于煤炭,水和电是稀缺资源,因此从资源节约,生产调度优化,市场安全和技术改进等方面来看,短期和中期热负荷预测对发电系统具有重要意义。机器学习技术不仅是人工智能的核心,更是计算机智能的基础。自21世纪以来,机器学习技术已逐渐成为计算机科学和人工智能等信息产业的主流发展方向。针对锅炉房蒸汽热负荷预测的问题,本文引入了机器学习领域的三类模型代表,第一种是“懒学习器”的代表KNN模型,第二种是传统的线性模型及变体如Ridge、Lasso以及Elesticnet弹性网络回归,第三种是集成学习模型,包括基于bagging的随机森林模型,基于boosting的Adaboost、GBDT以及XGBoost,基于stacking的多元回归融合模型,对A火力发电厂的热负荷数据进行建模预测和误差比对分析。结果表明,针对热负荷预测的问题,集成类学习模型特别是基于stacking思想融合了八种基础模型的多元回归模型取得了很好的预测精度,体现了实践的创新。