データ駆動モデルの有効性は、トレーニングサンプルの完全性に依存し、サンプルのカバー範囲外の運転条件ではモデルの汎化能力が低い。発電設備の広範な負荷変動に適応する凝縮器システム特性モデルを構築するために、トレーニングサンプルには発電負荷および環境温度の大きな変動範囲を含める必要がある。しかし、新設設備は稼働期間が短いため、完全なデータセットを提供できない。そこで、不完全なデータセットを対象に多忠実度データと転移学習に基づく凝縮器システム特性モデリング手法を提案する。本手法はまず、同種のシステムの完全なデータセットを用いて事前学習モデルを構築し、事前学習モデルに線形および非線形のキャリブレーションネットワークを追加し、新設設備の不完全なデータでキャリブレーションネットワークを更新することで、事前学習モデルを不完全なデータセットの特徴空間に適応させる。最後に、1000MWの超超臨界設備の凝縮器システムで本手法の有効性を検証し、検証結果はトレーニングサンプルが不十分な場合でも、本手法が凝縮器圧力や循環水出口温度などのパラメータを正確に予測できることを示し、決定係数R²の平均値は0.95であり、従来の単一データセットに基づくデータ駆動モデルのR²平均値0.81を大きく上回った。

転移学習;多忠実度データ;深層ニューラルネットワーク;凝縮器;発電設備