La efectividad del modelo impulsado por datos depende de la completitud de las muestras de entrenamiento; para condiciones fuera del rango cubierto por las muestras, la capacidad de generalización del modelo es deficiente. Para construir un modelo de las características del sistema de condensadores que se adapte a amplias variaciones de carga de la unidad, las muestras de entrenamiento deben incluir un rango amplio de cargas de generación y temperaturas ambientales. Sin embargo, las unidades nuevas, debido a su corto tiempo de operación, no pueden proporcionar un conjunto de datos completo. Por ello, se propone un método de modelado de características del sistema de condensadores basado en datos de múltiples fidelidades y aprendizaje por transferencia para conjuntos de datos incompletos. Este método utiliza primero un conjunto de datos completo de sistemas del mismo tipo para construir un modelo preentrenado, sobre el que se añaden redes de calibración lineales y no lineales, las cuales se actualizan con datos incompletos de la nueva unidad, permitiendo que el modelo preentrenado se adapte al espacio de características del conjunto de datos incompleto. Finalmente, se verifica la eficacia de este método mediante el sistema de condensadores de una unidad supercrítica de 1000 MW. Los resultados muestran que, en condiciones de insuficiencia de muestras de entrenamiento, el método puede predecir con precisión parámetros como la presión del condensador y la temperatura de salida del agua de circulación, con un valor medio del coeficiente de determinación R² de 0.95, claramente superior al valor medio de R² de 0.81 obtenido con modelos tradicionales basados en conjuntos de datos únicos.

aprendizaje por transferencia; datos de múltiples fidelidades; redes neuronales profundas; condensador; unidad generadora