基于LSTM與EMD結(jié)合的電廠循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)研究

關(guān)鍵詞：循環(huán)冷卻水系統(tǒng)；運(yùn)行狀態(tài)預(yù)測(cè)；遺傳算法中圖分類號(hào)：TM621 文獻(xiàn)標(biāo)志碼：ADOI：10.19968/j.cnki.hnkj.1003-5168.2025.14.002文章編號(hào)：1003-5168（2025）14-0013-04

Research on Operation Status Prediction of the Circulating Cooling WaterSystem in PowerPlantsBased onthe Combinationof LSTM and EMD

LIU Feiyu （Intelligent Control Industry College，Henan Chemical Technician College，Kaifeng 4750Oo，China）

Abstract： [Purposes] To address the insufficient prediction accuracy of the operation status in power plant circulating cooling water system，a prediction method combining Genetic Algorithm-optimized Bidirectional Long Short-Term Memory neural networks （GA-BiLSTM） and Empirical Mode Decomposition （EMD）is proposed.[Methods]EMD is employed to decompose the original data into multiple Intrinsic Mode Function （IMF）components，thereby reducing data complexity.With the help of the Genetic Algorithm（GA），the hyperparameters of the Bidirectional Long Short-Term Memory neural network （BiLSTM） are optimized to improve the performance of the model. The decomposed IMF components are then individuallyfed into theoptimized GA-BiLSTM model for prediction，with final resultsobtained through reconstruction.[Findings] Experimental results demonstrate that all prediction error metrics of this model remain at low levels，with a 55% improvement in prediction accuracy compared to conventional models.[Conclusions] The prediction method based on the combination of LSTMand EMD can provide strong assurance for stable operation of the circulating cooling water system in power plants.

Keywords： circulating cooling water system; operation status prediction; Genetic Algorithm

0 引言

電廠循環(huán)冷卻水系統(tǒng)在工業(yè)生產(chǎn)中占據(jù)關(guān)鍵地位，其穩(wěn)定運(yùn)行對(duì)保障設(shè)備正常運(yùn)轉(zhuǎn)、提高生產(chǎn)效率和降低能耗具有重要意義。然而，電廠循環(huán)冷卻水系統(tǒng)的運(yùn)行過程受多種復(fù)雜因素影響，具有高度的非線性和不確定性，傳統(tǒng)預(yù)測(cè)方法難以滿足其高精度預(yù)測(cè)需求。

近年來，隨著深度學(xué)習(xí)技術(shù)在預(yù)測(cè)領(lǐng)域的不斷深入研究，其中長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）因其獨(dú)特的門控機(jī)制，能有效處理時(shí)間序列數(shù)據(jù)中的長(zhǎng)期依賴問題，在工業(yè)預(yù)測(cè)等領(lǐng)域得到廣泛應(yīng)用[。但LSTM網(wǎng)絡(luò)在超參數(shù)選擇過程中對(duì)模型的性能要求太高，若設(shè)置不合理將會(huì)出現(xiàn)參數(shù)過度擬合或擬合欠缺的問題。而遺傳算法（GeneticAlgorithm，GA）作為一種高效的全局優(yōu)化算法，能夠在搜索空間中快速找到較優(yōu)解，可用于優(yōu)化LSTM網(wǎng)絡(luò)超參數(shù)[2]。同時(shí)，經(jīng)驗(yàn)?zāi)B(tài)分解（EmpiricalModeDecomposition，EMD）能將復(fù)雜的時(shí)間序列數(shù)據(jù)自適應(yīng)分解為多個(gè)具有不同特征尺度的本征模態(tài)函數(shù)（IntrinsicModeFunction，IMF）分量，使數(shù)據(jù)特征更加清晰，有助于提升預(yù)測(cè)模型的精度[3]。因此，本研究將GA、雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory，BiL-STM）和EMD相結(jié)合，提出一種新的預(yù)測(cè)模型，有望實(shí)現(xiàn)對(duì)電廠循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)的準(zhǔn)確預(yù)測(cè)。

1相關(guān)算法原理

1.1雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（BiLSTM）

雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)BiLSTM是在LSTM基礎(chǔ)上發(fā)展而來的一種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。通過設(shè)置輸入、遺忘和輸出門控制機(jī)制，有效解決了信息計(jì)算過程中的梯度消失和爆炸問題，能夠更好地捕捉時(shí)間序列中的長(zhǎng)期依賴信息。BiLSTM運(yùn)行控制結(jié)構(gòu)如圖1所示[4]

1.2 遺傳算法（GA）

遺傳算法是建立在遺傳學(xué)基礎(chǔ)上模擬遺傳規(guī)律的一種優(yōu)化算法，其主要步驟為初始化種群、適應(yīng)度計(jì)算、選擇、交叉、變異、迭代優(yōu)化。

① 初始化種群。

二進(jìn)制編碼見式（1）。

X_i=（x_i1，x_i2，…，x_in?l）

式中 ， i=1，2，…，N;j=1，2，…，n?l 。

圖1 BILSTM網(wǎng)絡(luò)結(jié)構(gòu)

實(shí)數(shù)編碼見式（2）。

X_i=（x_i1，x_i2，…，x_in）

式中： x_ij∈{a_j，b_j}，a_j 和 b_j 是第 j 維變量的取值范圍， i=1，2，…，N;j=1，2，…，n

② 適應(yīng)度計(jì)算。

適度函數(shù)最大化問題見式（3）。

F（X）=f（X）

式中 ?f（X） 是目標(biāo)函數(shù)。

適度函數(shù)最小化問題見式（4）。

式中： s 是一個(gè)很小的正數(shù)，防止分母為零。

③ 選擇操作。

個(gè)體 i 被選中的概率 P_i 和累積概率 Q_i 的計(jì)算見式（5）和式（6）。其中， F（X_i） 是個(gè)體 i 的適用度函數(shù)， N 是種群總數(shù)。

為了實(shí)現(xiàn)選擇過程，生成一個(gè) [0，1] 之間的隨機(jī)數(shù) r ，如果 Q_k-1k ，則選擇個(gè)體 k 。

④ 交叉操作。

假設(shè)兩個(gè)父代個(gè)體 A=（Φ_{a1，a2，…，am}） 和 B ，隨機(jī)選擇一個(gè)交叉點(diǎn) c=（1?c?m -1），則交叉后的子代個(gè)體 C 和 D 分別見式（7）和式（8）。

⑤ 變異操作。

假設(shè)個(gè)體 X=（x₁，x₂，…，x_m） ，變異概率為 P_m ，對(duì)于每一位 x_j 生成一個(gè) [0，1] 之間的隨機(jī)數(shù) r_j ，如果r_jm ，則將 x_j 取反見式（9）。

1.3 經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）

經(jīng)驗(yàn)?zāi)B(tài)分解是一種自適應(yīng)分解方法，在非穩(wěn)定和非線性信息處理方面具有優(yōu)勢(shì)。分解步驟如下。 ① 利用三次樣條插值法，將原始信號(hào) 的所有布局極大值點(diǎn)和局部極小值點(diǎn)分別擬合出上包絡(luò)線 e_max（t） 和下包絡(luò)線 e_min（t） 。 ② 利用原始信號(hào)與上下包絡(luò)線均值 m₁（t） 的差值 h₁（t）=x（t）-m₁（t） 進(jìn)行本征模態(tài)函數(shù)（IntrinsicModeFunction，IMF）分量辨別。 ③ 若 h₁（t） 不滿足IMF分量的條件，將h₁（t） 作為原始信號(hào)重復(fù)上述步驟進(jìn)行重新計(jì)算和辨別，直到滿足條件生成IMF分量 。 ④ 利用原始信號(hào)與分量 的差值，計(jì)算出剩余信號(hào) r₁（t） 并將其作為原始信號(hào)重新分解，以此得到為單調(diào)函數(shù)或常數(shù)的剩余信號(hào)，至此分解結(jié)束。此時(shí)，原始信號(hào) x（t） 可表示為式（10）。

2基于GA-BiLSTM與EMD結(jié)合的預(yù)測(cè)模型 構(gòu)建

2.1 GA優(yōu)化BiLSTM模型

為提高BiLSTM模型的預(yù)測(cè)性能，采用遺傳算法對(duì)其超參數(shù)進(jìn)行優(yōu)化。具體優(yōu)化過程如下。① 確定優(yōu)化參數(shù)。選擇BiLSTM網(wǎng)絡(luò)的學(xué)習(xí)率、隱藏層節(jié)點(diǎn)數(shù)和批處理大小作為遺傳算法的優(yōu)化參數(shù)。這些參數(shù)對(duì)模型的訓(xùn)練速度和預(yù)測(cè)精度具有重要影響。 ② 初始化種群。根據(jù)設(shè)定的參數(shù)范圍，隨機(jī)生成一定數(shù)量的個(gè)體，每個(gè)個(gè)體由學(xué)習(xí)率、隱藏層節(jié)點(diǎn)數(shù)和批處理大小組成。 ③ 構(gòu)建BiLSTM模型。針對(duì)每個(gè)個(gè)體，根據(jù)其包含的參數(shù)構(gòu)建相應(yīng)的BiLSTM模型，模型結(jié)構(gòu)包括輸入層、BiLSTM隱藏層、全連接層和輸出層。 ④ 計(jì)算適應(yīng)度值。將訓(xùn)練集數(shù)據(jù)輸入構(gòu)建好的BiLSTM模型中進(jìn)行訓(xùn)練，利用測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)，計(jì)算預(yù)測(cè)結(jié)果的均方根誤差（RMSE）作為個(gè)體的適應(yīng)度值。⑤ 遺傳操作。按照遺傳算法的選擇、交叉和變異操作對(duì)種群進(jìn)行更新，生成下一代種群。 ⑥ 終止條件判斷。重復(fù)上述步驟，直至達(dá)到最大迭代次數(shù)或適應(yīng)度值收斂。此時(shí)，種群中適應(yīng)度值最優(yōu)的個(gè)體所對(duì)應(yīng)的參數(shù)即為優(yōu)化后的BiLSTM模型超參數(shù)。

2.2基于GA-BiLSTM與EMD結(jié)合的預(yù)測(cè)模型

基于GA-BiLSTM與EMD結(jié)合的電廠循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)模型流程如下。 ① 數(shù)據(jù)采集與預(yù)處理。收集電廠循環(huán)冷卻水系統(tǒng)的運(yùn)行數(shù)據(jù)，如溫度、壓力、流量等，并對(duì)數(shù)據(jù)進(jìn)行清洗、歸一化等預(yù)處理操作，消除數(shù)據(jù)中的噪聲和異常值，將數(shù)據(jù)映射到[0，1]區(qū)間，便于模型訓(xùn)練。 ② EMD分解。將預(yù)處理后的數(shù)據(jù)按EMD算法進(jìn)行分解，得到能夠反映原始數(shù)據(jù)在不同時(shí)間尺度上的特征IMF分量。 ③ 模型訓(xùn)練與預(yù)測(cè)。將每個(gè)IMF分量和剩余分量分別作為獨(dú)立的時(shí)間序列數(shù)據(jù)，劃分為訓(xùn)練集和測(cè)試集，并利用GA-BiLSTM模型進(jìn)行訓(xùn)練和預(yù)測(cè)，得到各個(gè)分量的預(yù)測(cè)結(jié)果。 ④ 結(jié)果重構(gòu)。將各個(gè)分量的預(yù)測(cè)結(jié)果進(jìn)行疊加重構(gòu)，得到最終的預(yù)測(cè)結(jié)果。通過這種方式，綜合考慮了原始數(shù)據(jù)不同特征尺度下的信息，提高了預(yù)測(cè)的準(zhǔn)確性?；贕A-BiLSTM-EMD的預(yù)測(cè)模型如圖2所示。

圖2基于GA-BiLSTM-EMD的預(yù)測(cè)模型

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)環(huán)境與數(shù)據(jù)

實(shí)驗(yàn)基于TensorFlow深度學(xué)習(xí)框架搭建模型，采用Python編程語(yǔ)言，硬件利用IntelCorei7-10700K 處理器。實(shí)驗(yàn)數(shù)據(jù)選取某電廠循環(huán)冷卻水系統(tǒng)1個(gè)月內(nèi)的低溫淡水出口溫度數(shù)據(jù)，采樣時(shí)間間隔為 30min ，共獲得3585條數(shù)據(jù)。按照4：1的比例將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，用于模型的訓(xùn)練和測(cè)試。

3.2 評(píng)價(jià)指標(biāo)

為客觀評(píng)估模型的預(yù)測(cè)精度，選用平均絕對(duì)誤差 （MAE） 、均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE作為評(píng)價(jià)指標(biāo)5，其計(jì)算分別見式（11）至式（13）。

式中： y_i 為真實(shí)值； y_i^′ 為預(yù)測(cè)值； n 為樣本數(shù)量。這3個(gè)指標(biāo)值越小，表明模型的預(yù)測(cè)精度越高。

3.3 實(shí)驗(yàn)結(jié)果

EMD分解結(jié)果。對(duì)電廠循環(huán)冷卻水系統(tǒng)的低溫淡水出口溫度數(shù)據(jù)進(jìn)行EMD分解，得到6個(gè)IMF分量和1個(gè)剩余分量。通過分析IMF分量的頻率和幅值特征，發(fā)現(xiàn)IMF1～I(xiàn)MF3主要反映了數(shù)據(jù)的高頻波動(dòng)信息，IMF4～I(xiàn)MF6反映了數(shù)據(jù)的低頻趨勢(shì)信息，剩余分量則包含了數(shù)據(jù)的長(zhǎng)期趨勢(shì)和一些無(wú)法分解的噪聲。

GA-BiLSTM模型優(yōu)化結(jié)果。經(jīng)過遺傳算法優(yōu)化后，BiLSTM模型的超參數(shù)得到了有效調(diào)整。優(yōu)化后的學(xué)習(xí)率為0.001，隱藏層節(jié)點(diǎn)數(shù)為64，批處理大小為32。與優(yōu)化前相比，模型的收斂速度明顯加快，預(yù)測(cè)精度顯著提高。

預(yù)測(cè)結(jié)果對(duì)比。將測(cè)試集數(shù)據(jù)分別輸入基于GA-BiLSTM與EMD結(jié)合的預(yù)測(cè)模型、未經(jīng)過GA優(yōu)化的BiLSTM模型、僅使用EMD分解與LSTM結(jié)合的模型（EMD-LSTM）及傳統(tǒng)的支持向量機(jī)（Sup-portVectorMachine，SVM模型進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果見表1。

表1不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果

由表1可知，基于GA-BiLSTM與EMD結(jié)合的預(yù)測(cè)模型在各項(xiàng)誤差指標(biāo)上均表現(xiàn)最優(yōu)， MAE /RMSE和MAPE分別為0.038、0.028和 0.325% 。與其他模型相比，該模型的預(yù)測(cè)誤差明顯更低，預(yù)測(cè)精度更高。這表明通過EMD分解對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，能夠有效提取數(shù)據(jù)特征，降低數(shù)據(jù)復(fù)雜度。而GA對(duì)BiLSTM模型超參數(shù)的優(yōu)化，進(jìn)一步提升了模型的性能，二者結(jié)合能夠更準(zhǔn)確地預(yù)測(cè)電廠循環(huán)冷卻水系統(tǒng)的運(yùn)行狀態(tài)。

為更直觀地展示各模型的預(yù)測(cè)效果，繪制了4種不同模型的預(yù)測(cè)值與真實(shí)值對(duì)比曲線，如圖3所示。由圖3可知，基于GA-BiLSTM與EMD結(jié)合的預(yù)測(cè)模型的預(yù)測(cè)值與真實(shí)值最為接近，曲線擬合度最高，其他模型的預(yù)測(cè)曲線與真實(shí)值存在一定偏差，進(jìn)一步驗(yàn)證了該模型的優(yōu)越性。

圖34種模型預(yù)測(cè)結(jié)果

4結(jié)語(yǔ)

本研究提出了一種基于GA-BiLSTM與EMD結(jié)合的電廠循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)方法。通過EMD分解將原始數(shù)據(jù)分解為多個(gè)IMF分量，降低數(shù)據(jù)復(fù)雜度；利用遺傳算法優(yōu)化BiLSTM模型的超參數(shù)，提高模型性能；將分解后的分量分別輸入優(yōu)化后的模型進(jìn)行預(yù)測(cè)，重構(gòu)預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，該模型能夠?yàn)殡姀S循環(huán)冷卻水系統(tǒng)的運(yùn)行狀態(tài)提供準(zhǔn)確的預(yù)測(cè)，并在預(yù)測(cè)精度上顯著提高。

參考文獻(xiàn)：

[1]張建奇，馮樂源，李東鶴，等.采用堆疊長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的水質(zhì)連續(xù)預(yù)測(cè)方法[J].西安交通大學(xué)學(xué)報(bào)，2025，59（6）：93-102.

12]繆長(zhǎng)青，呂悅凱，萬(wàn)春風(fēng).基于GA-LSTM的橋梁纜索腐蝕鋼絲力學(xué)性能預(yù)測(cè)模型[J].東南大學(xué)學(xué)報(bào)（自然科學(xué)版），2025，55（1）：140-145.

[3]盛武，樊斌斌.EMD-GRU組合模型在煤礦瓦斯體積分?jǐn)?shù)預(yù)測(cè)中的應(yīng)用[J].安全與環(huán)境學(xué)報(bào)，2025，25（4）：1339-1348.

[4]曹還君，李長(zhǎng)云.基于SSA-LSTM模型的空氣質(zhì)量預(yù)測(cè)研究[J].現(xiàn)代信息科技，2024，8（4）：142-146，152.

[5]葛智泉，謝宙樺，邢小林，等.基于LSTM算法的工業(yè) 循環(huán)冷卻水系統(tǒng)運(yùn)行狀態(tài)預(yù)測(cè)方法[J/OL].自動(dòng)化技術(shù)與應(yīng) 用，1-7[2025-03-01].http：//kns.cnki.net/kcms/detail/23.1474. TP.20241223.1732.168.html.