预测联合循环发电厂的满载电力输出是一项重要工作,能够直接决定电厂发电量,并使其获取最大利益。如果要用热力学方式准确分析系统,需要对大量运行条件进行设定以解释公式中的不确定参数。如果没有这些设定,一个真实应用的热力学分析需要数千个非线性方程,尤其是在分析任意的输入和输出模式的系统中,直接进行求解具有较高难度。为了解决上述问题,本文提出采用机器学习的方法替代热力学方式的求解。电厂的基载运行主要受4个参数影响,它们是环境温度,气压,相对湿度,废气压力,作为数据集的输入变量,这些参数影响电力输出,电力输出便作为目标变量。为了比较这些参数的影响,对参数的组合形式进行了测试,在所有特征子集中寻找最佳数据子集,本文使用的包含输入变量和目标变量的数据集,通过实验测试,确定了使得机器学习算法具有最佳性能的输入变量组合形式。本论文针对不同机器学习方法进行测试与比较,确定REP Tree装袋算法预测效果是最好的。针对该算法对参量的适应性不高的问题,进一步提出SK-BREP算法,利用k-means聚类的思想,将所训练出来的分类回归树按预测结果的相似度进行聚类,然后从每一类中再选择出预测精度高的一批分类回归树参加集成。基于朝阳发电厂的运行数据进行了测试,结果表明本文所提出的SK-BREP算法能够实现对联合循环发电厂每小时满载电力输出的准确预测。该论文有图10幅,表10个,参考文献46篇,对所研究的过程和结论进行阐述和分析。