L’efficacité des modèles basés sur les données dépend de la complétude des échantillons d’entraînement. Pour des conditions hors de la couverture des échantillons, la capacité de généralisation du modèle est faible. Pour construire un modèle des caractéristiques du système de condenseur adapté aux variations larges de charge de l’unité, les échantillons d’entraînement doivent inclure un large éventail de charges de production et de températures ambiantes. Cependant, pour les unités nouvellement mises en service, en raison de la courte période d’exploitation, il est impossible de fournir un ensemble de données complet. Par conséquent, une méthode de modélisation des caractéristiques du système de condenseur basée sur des données multi-fidélité et l’apprentissage par transfert est proposée pour les ensembles de données incomplets. Cette méthode utilise d’abord un ensemble de données complet d’un système similaire pour construire un modèle pré-entraîné, puis ajoute des réseaux de calibration linéaires et non linéaires sur le modèle pré-entraîné, qui sont mis à jour avec les données incomplètes de la nouvelle unité, permettant ainsi d’adapter le modèle pré-entraîné à l’espace de caractéristiques des données incomplètes. Enfin, cette méthode a été validée sur le système de condenseur d’une unité supercritique de 1000 MW. Les résultats montrent que, en cas d’échantillons insuffisants, la méthode peut prédire avec précision la pression du condenseur et la température de sortie de l’eau de circulation, avec un coefficient de détermination moyen R² de 0,95, bien supérieur au R² moyen de 0,81 des modèles traditionnels basés sur un seul ensemble de données.

apprentissage par transfert; données multi-fidélité; réseaux neuronaux profonds; condenseur; unité de production