Der Betriebsprozess der Dampfturbine erzeugt vielfältige und zahlreiche Daten. Um den Anforderungen an hochwertige Daten, die durch Big Data- und Simulationsmodellierung vorangetrieben werden, gerecht zu werden, ist eine effiziente Datenbereinigung unerlässlich. Durch die Verwendung der ausgezeichneten nichtlinearen Anpassungsfähigkeit von Long-Short-Term Memory-Layern für zeitliche Daten wurde ein halbüberwachtes Modell zur Datenbereinigung für die Dampfturbine aufgebaut. Das Modell wählt drei Grenzbedingungen der Einheit als Eingabe, um die zu bereinigenden Daten vorherzusagen, entfernt Ausreißer basierend auf dem Residuum zwischen vorhergesagtem und tatsächlichem Wert und verwendet dann den vorhergesagten Wert des Modells zur Datenvervollständigung, um die Datenvollständigkeit zu gewährleisten. Wir haben das Modell zur Bereinigung der Daten einer 650-MW-Einheit eines Kraftwerks verwendet und zur Überwindung des Problems des Ungleichgewichts der Stichproben bei der Auswahl der Parameter des Bereinigungsmodells die Genauigkeit verbessert und als Maß für die Wirksamkeit der Bereinigung verwendet. Die Ergebnisse zeigen, dass die Verbesserung der Genauigkeit des Datenbereinigungsmodells des Long-Short-Term Memory-Netzwerks höher ist als bei anderen 3 gängigen Bereinigungsmethoden, sie kann effektiv erkennen, ob die Daten ungewöhnlich sind, und sie kann den vorhergesagten Wert zur Datenvervollständigung verwenden, um die Konsistenz der Datenmenge vor und nach der Bereinigung zu gewährleisten.

Long-Short-Term Memory-Netzwerk; Deep Learning; Datenbereinigung; Ausreißer; Dampfturbine