Die Hauptdampftemperatur des Kessels in Kohlekraftwerken ist ein wichtiger Parameter, der unter extremen Betriebsbedingungen wie tiefgreifender Lastregelung oft schwer stabil zu halten ist. Um dieses Problem zu lösen, wurde im bestehenden Hauptdampftemperatur-Regelsystem ein prädiktives Kontrollmodell eingeführt, um die Regelung zu optimieren. Für einen ultrasuperkritischen Kessel wurde ein prädiktives Hauptdampftemperatur-Regelsystem aufgebaut, das auf einem kombinierten Langzeit-Kurzzeit-Gedächtnis-(LSTM)-Neuronalen Netzwerk als Kernalgorithmus basiert. Durch eine Hyperparameter-Transfermethode wird schnell eine globale Optimierung erreicht, wobei das Problem lokaler Optima des neuronalen Netzes gelöst und der Optimierungsrechenaufwand um 88 % reduziert wird. Der mittlere quadratische Fehler des prädiktiven Modells beträgt 0,495℃, die durchschnittliche prozentuale Abweichung 0,082 %. MATLAB-Simulationen bestätigen, dass dieses prädiktive Regelsystem bei extremen Betriebsbedingungen den Überregelungsanteil der Hauptdampftemperatur um 50 % senkt und durch mehrstufige Steuerung die Stabilität der Regelung im Normalbetrieb gewährleistet. Es erfüllt die Regelungsanforderungen der Hauptdampftemperatur unter verschiedenen Betriebsbedingungen.

Hauptdampftemperatur; prädiktive Steuerung; Hyperparametertransfer; globale Optimierung; segmentierte Steuerung