一种基于深度迁移学习的烟气余热梯级利用系统优化方法

本发明公开了一种基于深度迁移学习的烟气余热梯级利用系统优化方法，首先基于EBSILON仿真平台构建多工况下的烟气余热系统仿真模型，生成涵盖不同负荷、环境条件等烟气余热系统关键运行参数的仿真数据集；随后，建立基于仿真数据的深度神经网络预训练模型，并在其基础上添加线性和非线性校准网络，利用现场运行数据对校准网络进行超参数更新，将预训练模型迁移至与运行数据适配的特征空间；在此基础上，结合遗传算法对烟气旁路参数进行动态调整，实现余热资源的最大化利用。本发明不仅克服了现场有效运行数据样本稀缺对模型训练的限制，还通过智能化调控提高了系统的整体能效。