En el contexto de la cúspide flexible, para adaptarse a las variaciones dinámicas de carga de las unidades de refrigeración directa y las interferencias ambientales, se propone un método de aprendizaje en línea de una red neuronal para predecir la presión de la unidad de refrigeración directa. Primero, se limpian los datos históricos y se determinan las características importantes de baja redundancia que afectan la presión de funcionamiento a través de un análisis de correlación de Spearman. Luego, se identifican los parámetros del modelo de presión de funcionamiento en línea utilizando el modelo de Hammerstein. Al mismo tiempo, se establece un modelo de predicción de la presión de funcionamiento de la unidad de refrigeración directa usando redes neuronales de memoria a corto y largo plazo y un mecanismo de atención, y se actualiza el modelo mediante aprendizaje en línea. Los experimentos muestran que este modelo tiene un error absoluto porcentual inferior al 9% en la predicción de la presión de funcionamiento para diferentes intervalos de tiempo durante la próxima hora, y un error absoluto porcentual inferior al 1% en la predicción de la presión de funcionamiento para los próximos 30 segundos. Por último, se verifica que el modelo puede funcionar de manera estable en el sistema real de la central eléctrica. Los logros de esta investigación proporcionan un método efectivo para predecir en tiempo real la presión de funcionamiento de las unidades de refrigeración directa, lo que es importante para la operación y gestión de las unidades de refrigeración directa en el contexto de la cúspide flexible.

unidad de refrigeración directa; predicción de la presión de funcionamiento; aprendizaje en línea; mecanismo de atención; redes neuronales de memoria a corto y largo plazo