El proceso de operación de la turbina de vapor generará datos diversos y numerosos. Para adaptarse a la demanda de datos de alta calidad impulsada por big data y modelado de simulación, es muy necesario realizar una limpieza eficiente de los datos. El uso de la capacidad de ajuste no lineal excepcional de los datos de series temporales por parte de las capas de memoria a corto y largo plazo ha construido un modelo de limpieza de datos semisupervisado para la turbina de vapor. El modelo selecciona tres condiciones límite de la unidad como entrada y predice los datos a limpiar, elimina los valores atípicos según el residuo entre el valor predicho y el real, y luego utiliza el valor predicho del modelo para rellenar los datos para garantizar la integridad de los datos. Utilizamos el modelo para limpiar los datos de una unidad de 650 MW de una planta de energía eléctrica, y para superar el problema causado por el desequilibrio de muestras en la selección de parámetros del modelo de limpieza, mejoramos la tasa de acierto y la utilizamos como indicador de efectividad de la limpieza. Los resultados muestran que la mejora de la tasa de acierto del modelo de limpieza de datos de la red de memoria a corto y largo plazo es mayor que otros 3 métodos comunes de limpieza, puede identificar eficazmente si los datos son anómalos y puede utilizar el valor predicho para rellenar los datos para garantizar la consistencia de la cantidad de datos antes y después de la limpieza.

Red de memoria a corto y largo plazo; Aprendizaje profundo; Limpieza de datos; Valor atípico; Turbina de vapor