La temperatura del vapor principal de la caldera de una central térmica de carbón, como un parámetro importante, a menudo es difícil de mantener estable en condiciones extremas como la regulación profunda de carga. Para resolver este problema, se introdujo un modelo de control predictivo en el sistema de control original de la temperatura del vapor principal para realizar una optimización del control. Se construyó un sistema de control predictivo de la temperatura del vapor principal para una caldera ultra supercrítica, utilizando una red neuronal compuesta de memoria a largo y corto plazo (LSTM) como algoritmo central. Mediante el método de transferencia de hiperparámetros se logró rápidamente una optimización global, resolviendo el problema de que el modelo de red neuronal suele caer en mínimos locales y reduciendo el cálculo de optimización en un 88%. El error cuadrático medio del modelo predictivo es 0.495℃, y el error porcentual medio es 0.082%. Según experimentos de simulación MATLAB, este sistema de control predictivo reduce el sobreimpulso de la temperatura del vapor principal en un 50% frente a condiciones extremas, mantiene la estabilidad del control en condiciones normales mediante un control segmentado multi-condición y satisface las demandas de regulación de la temperatura del vapor principal bajo diferentes condiciones de operación.

temperatura del vapor principal; control predictivo; transferencia de hiperparámetros; optimización global; control segmentado