主汽温作为机组设备的重要参数之一,是实现机组控制系统正确运行的重要参考指标。针对主汽温变化的复杂性,能否对主汽温进行精准预测成为影响机组设备控制系统的关键。因其具有时延大、影响因子多、非线性等特点,传统的基于机理预测系统无法对主汽温进行精准预测。工业大数据的发展以及深度学习理论在时间序列预测方面更广泛的应用,为提出一种针对主汽温预测的非线性模型提供了新的研究方向。本论文针对上述研究现状及主汽温变化的特点,在深度学习领域开展针对主汽温系统的非线性建模研究。由于主汽温变化的影响因素较多,为全面考虑各种因素的影响,本文提出一种基于降噪自编码器和门控循环单元的网络结构进行主汽温预测。为了加快模型的计算速度,降低输入数据的维度,模型先通过降噪自编码器对输入数据进行降维去噪。考虑到各输入因素之间具有不同的时延,使用针对时序数据有良好处理能力的门控循环单元网络进行时间序列预测。最后为验证模型的优越性,本文选用某800MW电厂实际运行的历史数据作为模型的训练和测试数据,选择13种影响因素作为模型的输入,将采集的数据预处理后经过降噪自编码器降维,再送入预测网络进行预测,最后输出对主汽温的短期预测值。通过实验评估指标以及对比另外两种深度学习算法,体现本实验模型的准确性和鲁棒性。