Die Wirksamkeit datengetriebener Modelle hängt davon ab, ob die Trainingsstichprobe vollständig ist. Für Betriebsbedingungen außerhalb des Stichprobenabdeckungsbereichs ist die Generalisierungsfähigkeit des Modells schlecht. Um ein Modell der Kondensatorsystemeigenschaften zu erstellen, das sich an große Lastschwankungen der Einheit anpasst, muss die Trainingsstichprobe einen großen Bereich von Erzeugungslast und Umgebungstemperatur umfassen. Da neue Einheiten aufgrund der kurzen Betriebszeit keine vollständigen Datensätze bereitstellen können, wird eine Methode zur Modellierung der Kondensatorsystemeigenschaften basierend auf Multi-Fidelity-Daten und Transferlernen für unvollständige Datensätze vorgeschlagen. Die Methode verwendet zunächst einen vollständigen Datensatz eines ähnlichen Systems zum Aufbau eines vortrainierten Modells. Auf dem vortrainierten Modell werden lineare und nichtlineare Kalibrierungsnetzwerke hinzugefügt, die mit unvollständigen Daten der neuen Einheit aktualisiert werden, um das vortrainierte Modell an den Merkmalsraum des unvollständigen Datensatzes anzupassen. Schließlich wurde die Methode an einem Kondensatorsystem einer 1000-MW-Überkritischen Einheit validiert. Die Validierungsergebnisse zeigen, dass diese Methode bei unzureichenden Trainingsproben die Kondensatordruck- und Kreislaufwassertemperaturparameter genau vorhersagen kann, mit einem durchschnittlichen Bestimmtheitsmaß R² von 0,95, was deutlich besser ist als der durchschnittliche R²-Wert von 0,81 traditioneller datengetriebener Modelle mit nur einem Datensatz.

Transferlernen; Multi-Fidelity-Daten; tiefe neuronale Netze; Kondensator; Generatoranlage