基于LSTM算法的工业循环冷却水系统运行状态预测方法

摘要

为提高工业循环冷却水系统运行状态预测的精度与可靠性，提出一种基于LSTM算法的工业循环冷却水系统运行状态预测方法。针对时间序列的非平稳特性，采用花授粉算法对变分模态分解的关键参数进行自适应优化，构建FPA-VMD模型，以更有效地分解原始数据、提取本征模态分量。为解决LSTM网络超参数选择困难的问题，利用蝗虫优化算法对其隐含层节点数、学习率等关键参数进行自动寻优，建立GOA-LSTM预测子模型。将FPA-VMD算法与GOA-LSTM模型相结合，搭建一个基于FPA-VMD+GOA-LSTM的预测模型，通过将各子序列的预测结果叠加重构，得到系统的最终运行状态预测值。实验结果表明，模型的MAE、RMSE和MAPE预测误差分别取值为0.047、0.035和0.381%,明显低于传统的GOA-RNN模型、XGBoost-LSTM模型和VMD-LSTM模型，且模型的预测结果与真实结果的拟合度较高。说明模型的预测精度较高，可实现工业循环冷却水系统运行状态准确预测。

关键词

LSTM网络 / 冷却水系统 / 蝗虫优化算法 / 变分模态分解 / 运行状态预测