首页|基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对水电机组运行状态预测问题,提出一种基于样本熵重构(sample entropy reconstruction,SER)与随机森林(random forest,RF)-长短期记忆网络(long short-term memory,LSTM)的混合预测模型.首先,利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise,ICEEMDAN)方法,将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions,IMFs)分量;其次,采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components,RFCs);然后,利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后,叠加各RFCs预测结果,实现水电机组状态趋势的准确预测.实验结果表明,所提方法具备更优的预测性能,可为实施机组预测性维护提供可靠的数据支持.
State Trend Prediction of Hydropower Unit based on Sample Entropy Reconstruction and RF-LSTM Model

hydropower unitsample entropyRFLSTMstate trend prediction

姜伟、卢俊泽、许颜贺

展开 >

淮阴工学院机械与材料工程学院, 江苏 淮安223003

华中科技大学土木与水利工程学院, 武汉430074

水电机组 样本熵 随机森林 长短期记忆网络 状态趋势预测

江苏省自然科学基金青年基金项目江苏省农业科技自主创新资金项目

BK20201065CX213155

2024

大电机技术
哈尔滨大电机研究所

大电机技术

CSTPCD
影响因子：0.329
ISSN：1000-3983
年,卷(期)：2024.(2)
  • 9