Эффективность модели, основанной на данных, зависит от полноты обучающей выборки; для рабочих условий вне диапазона покрытия выборки способность модели к обобщению невысока. Для построения модели характеристик конденсаторной системы, адаптирующейся к широким колебаниям нагрузки блока, обучающая выборка должна включать большой диапазон изменений нагрузок генерации и температуры окружающей среды. Однако у вновь вводимых блоков из-за короткого срока эксплуатации нет полной базы данных. Поэтому предложен метод моделирования характеристик конденсаторной системы на основе многоточечных данных и переноса обучения для неполных наборов данных. Метод сначала использует полную базу данных аналогичных систем для построения предобученной модели, на которую добавляются линейные и нелинейные калибровочные сети; затем калибровочные сети обновляются неполными данными нового блока, что позволяет предобученной модели адаптироваться к признаковому пространству неполного набора данных. В конце метод был проверен на конденсаторной системе суперсверхкритического блока мощностью 1000 МВт. Результаты проверки показали, что при недостатке обучающих образцов данный метод способен точно прогнозировать параметры, такие как давление конденсатора и температура на выходе циркуляционной воды, со средним коэффициентом детерминации R² равным 0.95, что значительно лучше, чем среднее значение R² 0.81 у традиционной модели на единственном наборе данных.

перенос обучения; многоточечные данные; глубокие нейронные сети; конденсатор; генераторный блок