Zur Lösung des Problems der schwierigen Vorhersage des Wärmeübergangswiderstands des Kondensatorschmutzes wurde mithilfe einer verbesserten Optimierung des Partikelschwarmalgorithmus ein Modell zur Vorhersage des Wärmeübergangswiderstands des Kondensatorschmutzes auf der Basis des Elman-Neuronalen Netzwerks aufgebaut. Durch dynamische Anpassung des Trägheitsgewichts der Partikel und der globalen kognitiven Fähigkeit wird der Partikelschwarmalgorithmus verbessert, um die Konvergenzgenauigkeit und -geschwindigkeit zu erhöhen. Unter Verwendung des verbesserten Partikelschwarmalgorithmus zur Optimierung der Gewichte und Schwellenwerte des neuronalen Netzwerks wird die Vorhersagefähigkeit des Modells verbessert. Ein Modell zur Vorhersage des Wärmeübergangswiderstands des Kondensatorschmutzes wird für das Kraftwerk mit 300 MW nach der Kondensatorreinigung erstellt. Die vorhergesagten Werte werden mit den tatsächlichen Werten verglichen, um die Genauigkeit des Modells zu überprüfen. Die Ergebnisse zeigen, dass das verbesserte Vorhersagemodell eine bessere Genauigkeit und Anpassungsfähigkeit aufweist und damit eine theoretische Grundlage für die Vorhersage des Wärmeübergangswiderstands des Kondensatorschmutzes und das Reinigungszeitintervall bereitstellt.

Elman Neuronales Netzwerk; Partikelschwarm-Algorithmus; Kondensator; Schmutz Wärmeübergang; Vorhersagemodell