Процесс работы паротурбинной установки приводит к образованию разнообразных и больших объемов данных. Для удовлетворения требований больших данных и симуляции моделирования качества данных, очистка данных является весьма необходимой. Используя выдающуюся способность нейросети долгой и краткосрочной памяти к нелинейной аппроксимации последовательных данных, была создана полу-мониторная модель очистки данных паротурбинной установки. Были выбраны три граничных условия блока как входные данные для модели, которая прогнозирует очистку данных и основывается на разнице между прогнозируемым значением и фактическим значением для устранения аномальных значений, а затем выбираются прогнозные значения модели для заполнения данных, обеспечивая целостность данных. Модель была использована для очистки данных 650-мегаваттного блока на электростанции, и для преодоления проблем, вызванных дисбалансом выборки указателей модели очистки, была улучшена точность, которая затем была использована в качестве показателя оценки эффекта очистки. Результаты показали: улучшение модели очистки данных нейросети долгой и краткосрочной памяти имеет более высокую точность по сравнению с другими 3 типами часто используемых методов очистки и может эффективно определять, являются ли данные аномальными, а прогнозные значения могут быть использованы для заполнения данных, гарантируя одинаковый объем данных до и после очистки.

нейросеть долгой и краткосрочной памяти; глубокое обучение; очистка данных; аномальные значения; паротурбинная установка