Im Kontext der flexiblen Spitzenlast, um sich an dynamische Laständerungen der Direktkühleinheiten und Umwelteinflüsse anzupassen, wird eine Methode des Online-Lernens eines neuronalen Netzwerks zur Vorhersage des Betriebsdrucks der Direktkühleinheit vorgeschlagen. Zuerst werden die historischen Daten gereinigt und wichtige, wenig redundante Merkmale, die den Betriebsdruck beeinflussen, durch eine Spearman-Korrelationsanalyse bestimmt. Dann werden die Modellparameter des Betriebsdrucks mithilfe des Hammerstein-Modells online identifiziert. Gleichzeitig wird ein Modell zur Vorhersage des Betriebsdrucks der Direktkühleinheit unter Verwendung von Langzeit- und Kurzzeitgedächtnis-Neuronalen Netzen und einer Aufmerksamkeitsmechanismus erstellt, und das Modell wird durch Online-Lernen aktualisiert. Experimente zeigen, dass dieses Modell eine absolute prozentuale Fehlerquote von weniger als 9% bei der Vorhersage des Betriebsdrucks für verschiedene Zeitintervalle innerhalb der nächsten Stunde und eine absolute prozentuale Fehlerquote von weniger als 1% bei der Vorhersage des Betriebsdrucks für die nächsten 30 Sekunden aufweist. Abschließend wird überprüft, ob das Modell im realen System des Kraftwerks stabil funktionieren kann. Die Errungenschaften dieser Forschung bieten eine effektive Methode zur Echtzeitvorhersage des Betriebsdrucks von Direktkühleinheiten, was für den Betrieb und die Verwaltung von Direktkühleinheiten im Kontext der flexiblen Spitzenlast wichtig ist.

Direktkühleinheit; Vorhersage des Betriebsdrucks; Online-Lernen; Aufmerksamkeitsmechanismus; Langzeit- und Kurzzeitgedächtnis-Neuronale Netze