基于LSTM模型的电厂传感器点位预测

随着大数据的发展，国内众多电厂也开始智能化改进。传感器点位的实时数值是反应发电机组当前健康状况的重要指标，具有较强的跟踪意义，研究并预测短时间内传感器点位的实时数值变化有助于电厂监盘人员了解发电机组当前的健康状况，能够提前应对意外情况。通过对传感器点位数值的时间序列数据建模分析，使用LSTM模型，对后续的几次传感器点位数值进行短期预测，取得了较好的拟合预测结果，充分说明时间序列模型应用在传感器点位数值的短期预测的可行性。随着电厂智能化的深入，传感器点位预测还应进一步提高准确度，帮助电厂监盘人员更好地应对发电机组异常状况。

电厂发电机组的健康状况是电厂能否稳定运行的关键，而机组包含的数据繁杂，数据结构交错，因此对进行电厂智能化改进是当下的趋势。通过改进，实现对电厂各个传感器点位实时数值的监控，以及传感器下一个时间点的数值的预测，使其能对发电机组的不同状况采取合适的应对措施[1]。

当前工业传感器中电厂发电机组传感器的时间序列预测和分析可以主要分为两类方法：一类是基于统计学的经典模型[2]，另一类方法是基于机器学习的预测模型。机器学习中KNN 回归、SVM 回归[3]和BP 神经网络[4] [5]具有简洁的结构和良好的性能，但由于预测精度有局限性，预测效果更好的基于循环神经网络(Recurrent Neural Network, RNN) [6]的深度学习网络成为研究的热点。RNN 具有通用性强和较高的预测精度等优点，然而在实际应用中，传感器数据的规律往往与较长时间跨度的数据有关。普通RNN 在进行循环操作时容易遇到梯度爆炸或梯度消失的问题，为了解决这个问题，引入了长短时记忆神经网络(Long Short-Term Memory Neural Network，LSTM NN 或LSTM) [7]。LSTM 通过长短时记忆单元来控制信息累积的速度，并在预测较长时间跨度依赖型的时序数据上展现出优越的能力。

电厂各机组的传感器点位的实时监控是电厂智能化的重要环节之一。传感器的数值是电厂机组的健康状况的重要评价指标之一。使用LSTM 神经网络模型进行预测，在各个领域都有应用。如杨青、王晨薇[8]构造深度LSTM 神经网络模型证明了其在预测股票指数的可行性与稳定性。而陈亮、王震、王刚[9]将LSTM 神经网络模型运用到了电力负荷预测当中，实现了有效短期电力负荷预测。季学武、费聪[10]等则是建立LSTM 神经网络以实现车辆驾驶员驾驶意图的识别和车辆轨迹的预测。总的来说，LSTM 神经网络模型在不同领域的时间序列预测的课题上均能取得良好的预测效果。因此，在电厂传感器点位数值预测问题上，相较于一些传统的预测模型如ARIMA 等，LSTM 模型能同时对多个传感器点位数值进行预测，且能够考虑到多个传感器点位数值之间的耦合性。

本文尝试利用LSTM 模型对江苏某电厂的一个传感器组中的5 个传感器数值进行预测，使智慧电厂管理系统能够根据预测值给予提示，以便于电厂的监盘人员提前了解机组的健康状况，保障电厂机组能够良好稳定地运行。