光热电站罐体多模态位移的元学习贝叶斯优化预测方法

本发明公开了一种光热电站罐体多模态位移的元学习贝叶斯优化预测方法，该方法通过多模态传感器采集位移、温度、振动等数据，经STL分解将位移序列分离为趋势、季节、残差分量，与传感器数据融合构建6维时空特征矩阵。采用双向LSTM‑注意力机制模型，双向捕捉时序依赖，动态加权关键跨模态特征。引入元学习引导的工况自适应贝叶斯优化：利用历史工况预训练元模型建立工况特征与超参数映射关系，实时数据动态划分工况后激活对应高斯子模型，通过元学习先验初始化搜索空间，结合自适应采集函数优化超参数。测试集通过RMSE、MAPE评估模型性能，最终实现三向位移实时预测及安全预警。本发明显著提升了复杂工况下光热电站罐体的预测精度与动态适应性。