В рамках гибкой настройки пика, для адаптации к динамическим изменениям нагрузки прямых холодильных установок и воздействия окружающих факторов предложен метод онлайн-обучения нейронной сети для прогнозирования давления прямой холодильной установки. Во-первых, исторические данные очищаются, и влияющие на давление работы низкоредундантные важные признаки определяются через анализ корреляции Спирмена. Затем модельные параметры давления работы определяются с использованием модели Хаммерштейн онлайн. В то же время создается модель для прогнозирования давления прямой холодильной установки с использованием нейронных сетей долгой и кратковременной памяти и механизма внимания, и модель обновляется методом онлайн-обучения. Эксперименты показывают, что данная модель содержит не менее 9% абсолютной процентной ошибки в прогнозе давления на разные временные промежутки в течение следующего часа и менее 1% абсолютной процентной ошибки в прогнозе давления на 30 секунд. Наконец, модель проверяется на стабильную работу в реальной системе электростанции. Достижения этого исследования предоставляют эффективный метод прогнозирования давления работы прямых холодильных установок в реальном времени, что имеет важное значение для управления и эксплуатации прямых холодильных установок в контексте гибкой настройки пика.

прямая холодильная установка; прогнозирование давления; онлайн-обучение; механизм внимания; нейронные сети долгой и кратковременной памяти