蒸気タービンの運転プロセスはさまざまで大量のデータを生成します。ビッグデータやシミュレーションモデリングが求める高品質なデータに対応するために、効率的なデータクリーニングが非常に重要です。時系列データに対する優れた非線形フィッティング能力を利用して、蒸気タービンの半教師データクリーニングモデルを構築しました。モデルは、装置の3つの境界条件を入力として、クリーニングするデータを予測し、予測値と実際の値の残差に基づいて異常値を削除し、その後、モデルの予測値を使用してデータを補完し、データの完全性を確保します。我々は、発電所の650MWユニットのデータをクリーニングするためにモデルを使用し、クリーニングモデルのパラメータ選択におけるサンプルの不均衡の問題を克服するために精度を向上させ、それをクリーニング効果の指標として使用しました。その結果、長短期メモリネットワークのデータクリーニングモデルの改善精度は他の3つの一般的なクリーニング方法よりも高く、データが異常であるかどうかを効果的に識別し、予測値を使用してデータを補完してクリーニング前後のデータ量の一貫性を確保できます。

長短期記憶ネットワーク; ディープラーニング; データクリーニング; 異常値; 蒸気タービン