基于LSTM循环神经网络的核电设备状态预测

论文摘要

核电站的规模随着经济的发展日益扩大,核电设备运行状态的研究已成为数据挖掘的重要研究领域。核电设备是高可靠性和高安全性的复杂系统,多年的设备运行产生了大量的时间序列数据。为了解决核电设备运行状态难以准确预测等问题,提出了一种基于长短期记忆（long short-term memory,LSTM）循环神经网络的核电设备状态预测方法。首先除去原数据中噪点明显的数据,然后使用z-score标准化方法对数据进行预处理,然后实现LSTM的网络结构设计、网络训练和预测,最后对预测结果进行比较分析。考虑到核电设备各个部件运行产生的数据种类繁多,选择与核电设备运行状态相关的重要数据主泵电机绕组温度作为研究对象。通过与GRU、RNN等模型进行对比实验,表明了该算法对核电设备的运行状态有更高的预测精度。

论文目录

• 0 引 言
• 1 相关理论
•   1.1 数据预处理
•   1.2 LSTM神经网络的相关理论
•   1.3 梯度下降算法
• 2 构建LSTM神经网络的预测模型
•   2.1 预测模型框架的搭建
•   2.2 LSTM模型的训练和预测
• 3 实验验证
•   3.1 实验数据集
•   3.2 度量指标
•   3.3 实验平台和环境
•   3.4 实验结果
•     3.4.1 获取精度较高的模型参数
•     3.4.2 LSTM模型与RNN模型和GRU模型的对比
• 4 结束语

文章来源

类型: 期刊论文

作者: 龚安,马光明,郭文婷,陈臣

关键词: 核电设备,时间序列数据,循环神经网络,状态预测,深度学习

来源: 计算机技术与发展 2019年10期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 核科学技术,电力工业,自动化技术

单位: 中国石油大学(华东)计算机与通信工程学院

基金: 国家油气重大专项(2017ZX05013-001)

分类号: TM623;TP183

页码: 41-45

总页数: 5

文件大小: 1460K

下载量: 591