Pour résoudre le problème de la prédiction difficile de la résistance thermique de la saleté du condenseur, un modèle de prédiction de la résistance thermique de la saleté du condenseur a été construit en utilisant une amélioration de l'algorithme de l'essaim de particules optimisé pour le réseau neuronal Elman. En ajustant dynamiquement le poids inertielle des particules et la capacité cognitive globale, l'algorithme de l'essaim de particules est amélioré pour augmenter la précision et la vitesse de convergence, en utilisant l'algorithme amélioré de l'essaim de particules pour optimiser les poids et les seuils du réseau neuronal, améliorant la capacité de prédiction du modèle. Un modèle de prédiction de la résistance thermique de la saleté du condenseur est construit pour la centrale électrique de 300 MW après le nettoyage du condenseur. Les valeurs prédites sont comparées aux valeurs réelles pour vérifier la précision du modèle. Les résultats montrent que le modèle de prédiction amélioré a une précision et une capacité d'adaptation meilleures, fournissant une base théorique pour la prédiction de la résistance thermique de la saleté du condenseur et l'intervalle de temps de nettoyage.

Réseau neuronal Elman ; Algorithme de l'essaim de particules ; Condenseur ; Saleté thermique ; Modèle de prédiction