基于LSTM网络预测的水轮机机组运行状态检测

陈畅(),李晓磊*(),崔维玉

山东大学控制科学与工程学院, 山东 济南 250061

收稿日期:2018-06-06出版日期:2019-06-20发布日期:2019-06-27
通讯作者:李晓磊E-mail:sduccchenchang@163.com;qylxl@sdu.edu.cn
作者简介:陈畅(1995—),女,吉林四平人,硕士研究生,主要研究方向为基于大数据分析的设备故障预测方法研究. E-mail: sduccchenchang@163.com

Hydraulic turbine operation status detection based on LSTM network prediction

Chang CHEN(),Xiaolei LI*(),Weiyu CUI

School of Control Science and Engineering, Shandong University, Jinan 250061, Shandong, China

Received:2018-06-06Online:2019-06-20Published:2019-06-27
Contact:Xiaolei LI E-mail:sduccchenchang@163.com;qylxl@sdu.edu.cn

摘要/Abstract

摘要： 利用长短期记忆(long short-term memory, LSTM)网络对水轮机机组的运行状态进行预测。对水轮机机组的流式监测数据进行标准化处理,并利用滑动窗口技术将数据转换为LSTM网络训练所需的训练数据集与测试数据集;给出LSTM预测模型结构,并通过调节网络层数、隐层神经元数目等参数对模型进行优化,建立水轮机机组的时间序列数据预测模型。经试验分析验证,与其它模型相比,基于多测点的多元长短期记忆网络预测模型具备更高的预测精度,并基于改进的雷达图分析法计算健康偏离度,成功地检测出某水电厂5号水轮机机组5月末的数据出现异常,验证了模型的有效性。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1825