来源：期刊VIP网 时间：
作者：李斌1;胡煜2;卢成1;蔡晋辉1;曾九孙3
单位：1.中国计量大学计量测试与仪器学院;2.宁波海关技术中心;3.杭州师范大学数学学院
摘要：水冷壁管道在锅炉运行过程中，由于温度过高而引起的爆管事故时有发生，因此，减少事故的发生，水冷壁管道温度变化的快速准确预测至关重要。针对过程的强时序相关性，该文构建以门控循环神经网络（GRU）、Informer、时序卷积神经网络（TCN）等深度学习方法为基础的预测模型；同时，为适应工况的强波动性，引入变分贝叶斯（VBLL）在线更新机制，通过固定模型其他层的参数、仅对模型输出层的参数进行实时更新。实验结果表明，在结合VBLL更新机制后各模型精确度均有明显提升。其中模型TCN在平稳工况下预测误差在5℃和3℃以内的准确率均达100%;GRU模型在5℃和3℃误差范围内的准确率分别由95.70%、77.61%提升至100.00%、99.80%。在波动工况中结合VBLL后，GRU和TCN模型5℃误差准确率分别由22.44%、30.18%提高至70.96%、62.55%。所提方法在提升预测精度的同时，显著提升模型鲁棒性，具备良好的适应性与计算效率。
关键词：温度预测;变分贝叶斯;深度学习;在线更新
