تعتمد فعالية نموذج البيانات على اكتمال عينة التدريب، وعندما تكون ظروف التشغيل خارج نطاق تغطية العينات، تكون قدرة تعميم النموذج ضعيفة. لبناء نموذج خصائص نظام المكثف الذي يتكيف مع تغييرات الحمل الواسعة لوحدة التوليد، يجب أن تشمل عينات التدريب نطاقًا واسعًا من أحمال التوليد ودرجات حرارة البيئة. ومع ذلك، نظرًا لأن الوحدات الجديدة قيد التشغيل لفترة قصيرة، لا يمكنها توفير مجموعة بيانات كاملة. لذلك، تم اقتراح طريقة لنمذجة خصائص نظام المكثف تعتمد على بيانات متعددة الدقة والتعلم النقلي لمجموعات البيانات غير المكتملة. تبدأ الطريقة ببناء نموذج ما قبل التدريب باستخدام مجموعة بيانات كاملة من أنظمة من نفس النوع، ثم تُضاف شبكات معايرة خطية وغير خطية على نموذج ما قبل التدريب، ويتم تحديث شبكات المعايرة باستخدام البيانات غير المكتملة للوحدة الجديدة، مما يسمح لعملية النقل بتكييف نموذج ما قبل التدريب مع فضاء خصائص مجموعة البيانات غير المكتملة. وأخيرًا، تم التحقق من فعالية هذه الطريقة من خلال نظام مكثف وحدة فائقة حرارية بقدرة 1000 ميجاوات، وأظهرت نتائج التحقق أنه في حالة عدم كفاية عينات التدريب، يمكن للطريقة التنبؤ بدقة بضغط المكثف ودرجة حرارة مخرج مياه الدورة، حيث كان متوسط معامل التحديد R² هو 0.95، وهو أفضل بكثير من متوسط R² البالغ 0.81 لنماذج البيانات التقليدية التي تعتمد على مجموعات بيانات وحيدة.

التعلم النقلي; البيانات متعددة الدقة; الشبكات العصبية العميقة; المكثف; وحدة التوليد