A eficácia do modelo orientado por dados depende da completude das amostras de treinamento; para condições fora do alcance da cobertura das amostras, a capacidade de generalização do modelo é baixa. Para construir um modelo das características do sistema de condensador que se adapta a grandes variações de carga da unidade, as amostras de treinamento devem incluir uma ampla faixa de cargas de geração e temperaturas ambientais. No entanto, devido ao curto tempo de operação das novas unidades, não é possível fornecer um conjunto de dados completo. Portanto, foi proposta uma metodologia de modelagem das características do sistema de condensador baseada em dados de múltiplas fidelidades e aprendizado por transferência para conjuntos de dados incompletos. O método utiliza inicialmente um conjunto de dados completo de sistemas do mesmo tipo para construir um modelo pré-treinado, sobre o qual são adicionadas redes de calibração lineares e não lineares, atualizadas com os dados incompletos da nova unidade para adaptar o modelo pré-treinado ao espaço de características do conjunto de dados incompleto. Finalmente, a eficácia do método foi validada no sistema de condensador de uma unidade supercrítica de 1000 MW, e os resultados da validação indicam que, mesmo com amostras de treinamento insuficientes, o método pode prever com precisão parâmetros como a pressão do condensador e a temperatura de saída da água de circulação, com um valor médio do coeficiente de determinação R² de 0,95, significativamente superior ao valor médio de R² de 0,81 do modelo orientado por dados tradicional baseado em um único conjunto de dados.

aprendizado por transferência; dados de múltiplas fidelidades; redes neurais profundas; condensador; unidade geradora