데이터 기반 모델의 유효성은 학습 샘플의 완전성에 따라 달라지며, 샘플 범위 밖의 운전 조건에서는 모델의 일반화 능력이 낮습니다. 발전소의 넓은 부하 변화에 적응할 수 있는 응축기 시스템 특성 모델을 구축하기 위해서는 학습 샘플에 발전 부하와 환경 온도의 넓은 변화 범위가 포함되어야 합니다. 그러나 신설 발전소는 운전 기간이 짧아 완전한 데이터 세트를 제공할 수 없습니다. 이에 불완전한 데이터 세트를 대상으로 다중 충실도 데이터와 전이 학습 기반의 응축기 시스템 특성 모델링 방법이 제안되었습니다. 이 방법은 먼저 동일 유형 시스템의 완전한 데이터 세트로 사전 학습 모델을 구축하고, 사전 학습 모델에 선형 및 비선형 보정 네트워크를 추가하여 신설 발전소의 불완전한 데이터로 보정 네트워크를 업데이트함으로써 사전 학습 모델을 불완전한 데이터 세트의 특성 공간에 적응시킵니다. 마지막으로 1000MW 초임계 발전소 응축기 시스템을 통해 이 방법의 유효성을 검증했으며, 검증 결과 학습 샘플이 충분하지 않은 경우에도 이 방법이 응축기 압력 및 순환수 출구 온도 등의 매개변수를 정확히 예측할 수 있음을 보여주었으며, 결정 계수 R² 평균값은 0.95로, 단일 데이터 세트 기반 전통적 데이터 기반 모델의 R² 평균값 0.81보다 현저히 우수합니다.

전이 학습; 다중 충실도 데이터; 심층 신경망; 응축기; 발전기