Une grande quantité d'énergies renouvelables est injectée dans le réseau, la participation de groupes électrogènes thermiques supercritiques à la régulation de pointe peut entraîner de fortes fluctuations de la température du point médian, ce qui peut entraîner des problèmes tels que la surchauffe de la vapeur. Pour un contrôle plus stable de la surchauffe du point médian, une méthode de prédiction de la surchauffe du point médian basée sur un modèle multi-modal (modèle multi-réseau neuronal convexe à entrées multiples) a été proposée en formant individuellement des sous-modèles pour différentes longueurs de prédiction, en construisant un réseau de prédiction de l'état de surchauffe du point médian (SPNN) et un réseau de prédiction de l'erreur (EPNN). En utilisant ce réseau de prédiction de convexité neuronale à entrées multiples, un contrôleur de prédiction basé sur un modèle multi-modal de réseau neuronal convexe profond à entrées multiples (DDICNN-MPC) a été conçu, transformant le problème de contrôle en un problème d'optimisation convexe et trouvant la matrice de contrôle pour la matrice jacobienne de la fonction objectif à l'aide d'une descente de gradient. Les résultats de simulation montrent que DDICNN-MPC peut suivre rapidement et de manière stable la valeur définie de surchauffe du point médian, avec une petite erreur de régime permanent et de bonnes capacités de réglage.

surchauffe du point médian; réseau neuronal convexe profond à entrées multiples; contrôle prédictif des modèles; descente de gradient; optimisation convexe