Pour résoudre le problème du choix du modèle de fonctionnement de la turbine à vapeur dans les données historiques d'exploitation, une méthode d'optimisation des données d'identification prenant en compte les caractéristiques d'excitation est proposée. Tout d'abord, les caractéristiques d'excitation des données historiques sont extraites à l'aide de la matrice d'informations de Fisher, qui, avec les caractéristiques de tendance et la corrélation entre les paramètres, constituent un ensemble de variables caractéristiques. Ensuite, en utilisant les variables caractéristiques en tant qu'entrées et les résultats de l'identification du modèle standard de fonctionnement de la turbine à vapeur en tant que sorties, un algorithme de classification basé sur la forêt aléatoire est utilisé pour créer un modèle de règles de classification des données d'identification et réaliser la sélection en ligne des données d'identification. Enfin, la précision des résultats de classification du modèle et l'efficacité de l'identification des données sont vérifiées. Les résultats montrent que la précision du modèle de règles de classification est de 97,561%, il est possible de sélectionner avec précision les données historiques d'exploitation contenant une excitation suffisante, et les résultats de l'identification du modèle de fonctionnement de la turbine à vapeur sont en haute concordance avec le modèle standard.

données d'identification ; caractéristiques d'excitation des données ; turbine à vapeur ; forêt aléatoire