Print

基于LSTM网络预测的水轮机机组运行状态检测

论文摘要

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。

论文目录

  • 0 引言
  • 1 LSTM网络模型
  •   1.1 循环神经网络模型
  •   1.2 LSTM模型
  • 2 LSTM预测模型
  •   2.1 基础数据集
  •     2.1.1 构建一元时间序列数据预测数据集
  •     2.1.2 构建多元时间序列数据预测数据集
  •     2.1.3 设定时间序列长度
  •   2.2 模型结构与参数
  •     2.2.1 网络结构
  •     2.2.2 隐层神经元数目
  •     2.2.3 预测步长
  •     2.2.4 优化算法
  • 3 实例
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 陈畅,李晓磊,崔维玉

    关键词: 水轮机,数据预测,长短期记忆网络

    来源: 山东大学学报(工学版) 2019年03期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 水利水电工程,电力工业

    单位: 山东大学控制科学与工程学院

    分类号: TV734.1;TV737

    页码: 39-46

    总页数: 8

    文件大小: 1667K

    下载量: 433

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/0859904d5e3555f4f3249055.html