Dans le contexte de pointe flexible, afin de s'adapter aux variations dynamiques de charge des groupes de réfrigération directs et aux perturbations environnementales, une méthode d'apprentissage en ligne d'un réseau neuronal pour prédire la pression de fonctionnement des groupes de réfrigération directs a été proposée. Tout d'abord, les données historiques sont nettoyées et les caractéristiques importantes à faible redondance affectant la pression de fonctionnement sont déterminées par une analyse de corrélation de Spearman. Ensuite, les paramètres du modèle de pression de fonctionnement sont identifiés en ligne à l'aide du modèle de Hammerstein. Dans le même temps, un modèle de prédiction de la pression de fonctionnement des groupes de réfrigération directs est créé à l'aide de réseaux de neurones à mémoire court et longue et d'un mécanisme d'attention, et le modèle est mis à jour par apprentissage en ligne. Les expériences montrent que ce modèle contient moins de 9% d'erreur de pourcentage absolue dans la prédiction de la pression de fonctionnement pour des périodes différentes au cours de la prochaine heure, et moins de 1% d'erreur de pourcentage absolue dans la prédiction de la pression de fonctionnement pour les 30 prochaines secondes. Enfin, le modèle est vérifié pour fonctionner de manière stable dans le système réel de la centrale électrique. Les réalisations de cette recherche offrent une méthode efficace pour prédire en temps réel la pression de fonctionnement des groupes de réfrigération directs, ce qui est important pour l'exploitation et la gestion des groupes de réfrigération directs dans le cadre de la pointe flexible.

groupe de réfrigération direct; prédiction de la pression de fonctionnement; apprentissage en ligne; mécanisme d'attention; réseaux de neurones à mémoire court et longue