Le fonctionnement de l'installation de turbine à vapeur génère une grande variété et une grande quantité de données. Pour répondre aux exigences de la conduite des données à grande échelle et de la modélisation par simulation de la qualité des données, le nettoyage efficace des données est très nécessaire. En utilisant l'excellente capacité d'ajustement non linéaire des données séquentielles de la couche de mémoire à court et long terme, un modèle semi-supervisé de nettoyage des données de l'installation de turbine à vapeur a été construit. Le modèle a choisi trois conditions limites de l'unité comme entrées, a prédit les données à nettoyer, a éliminé les valeurs aberrantes en fonction de la résiduelle entre la valeur prédite et la valeur réelle, puis a choisi les valeurs prédites du modèle pour compléter les données, assurant l'intégrité des données. Le modèle a été utilisé pour nettoyer les données de l'unité de 650 MW dans une centrale électrique, et pour surmonter les problèmes causés par le déséquilibre des échantillons pour la sélection des indices du modèle de nettoyage, la précision a été améliorée et utilisée comme indicateur d'évaluation de l'effet du nettoyage. Les résultats ont montré que l'amélioration du modèle de nettoyage de données du réseau de mémoire à court et long terme a une précision supérieure à celle de trois autres méthodes courantes de nettoyage, peut identifier efficacement si les données sont anormales, et peut utiliser les valeurs prédites pour compléter les données, garantissant le même volume de données avant et après le nettoyage.

Réseau de mémoire à court et long terme ; Apprentissage profond ; Nettoyage des données ; Valeurs aberrantes ; Turbine à vapeur