基于LSTM與EMD結合的電廠循環冷卻水系統運行狀態預測研究

關鍵詞：循環冷卻水系統；運行狀態預測；遺傳算法中圖分類號：TM621 文獻標志碼：ADOI：10.19968/j.cnki.hnkj.1003-5168.2025.14.002文章編號：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

電廠循環冷卻水系統在工業生產中占據關鍵地位，其穩定運行對保障設備正常運轉、提高生產效率和降低能耗具有重要意義。然而，電廠循環冷卻水系統的運行過程受多種復雜因素影響，具有高度的非線性和不確定性，傳統預測方法難以滿足其高精度預測需求。

近年來，隨著深度學習技術在預測領域的不斷深入研究，其中長短期記憶神經網絡（LongShort-TermMemory，LSTM）因其獨特的門控機制，能有效處理時間序列數據中的長期依賴問題，在工業預測等領域得到廣泛應用[。但LSTM網絡在超參數選擇過程中對模型的性能要求太高，若設置不合理將會出現參數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化算法，能夠在搜索空間中快速找到較優解，可用于優化LSTM網絡超參數[2]。同時，經驗模態分解（EmpiricalModeDecomposition，EMD）能將復雜的時間序列數據自適應分解為多個具有不同特征尺度的本征模態函數（IntrinsicModeFunction，IMF）分量，使數據特征更加清晰，有助于提升預測模型的精度[3]。因此，本研究將GA、雙向長短期記憶神經網絡（Bidirectional Long Short-Term Memory，BiL-STM）和EMD相結合，提出一種新的預測模型，有望實現對電廠循環冷卻水系統運行狀態的準確預測。

1相關算法原理

1.1雙向長短期記憶神經網絡（BiLSTM）

雙向長短期記憶神經網絡BiLSTM是在LSTM基礎上發展而來的一種神經網絡結構。通過設置輸入、遺忘和輸出門控制機制，有效解決了信息計算過程中的梯度消失和爆炸問題，能夠更好地捕捉時間序列中的長期依賴信息。BiLSTM運行控制結構如圖1所示[4]

1.2 遺傳算法（GA）

遺傳算法是建立在遺傳學基礎上模擬遺傳規律的一種優化算法，其主要步驟為初始化種群、適應度計算、選擇、交叉、變異、迭代優化。

① 初始化種群。

二進制編碼見式（1）。

X_i=（x_i1，x_i2，…，x_in?l）

式中 ， i=1，2，…，N;j=1，2，…，n?l 。

圖1 BILSTM網絡結構

實數編碼見式（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 適應度計算。

適度函數最大化問題見式（3）。

F（X）=f（X）

式中 ?f（X） 是目標函數。

適度函數最小化問題見式（4）。

式中： s 是一個很小的正數，防止分母為零。

③ 選擇操作。

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

為了實現選擇過程，生成一個 [0，1] 之間的隨機數 r ，如果 Q_k-1k ，則選擇個體 k 。

④ 交叉操作。

假設兩個父代個體 A=（Φ_{a1，a2，…，am}） 和 B ，隨機選擇一個交叉點 c=（1?c?m -1），則交叉后的子代個體 C 和 D 分別見式（7）和式（8）。

⑤ 變異操作。

假設個體 X=（x₁，x₂，…，x_m） ，變異概率為 P_m ，對于每一位 x_j 生成一個 [0，1] 之間的隨機數 r_j ，如果r_jm ，則將 x_j 取反見式（9）。

1.3 經驗模態分解（EMD）

經驗模態分解是一種自適應分解方法，在非穩定和非線性信息處理方面具有優勢。分解步驟如下。 ① 利用三次樣條插值法，將原始信號 的所有布局極大值點和局部極小值點分別擬合出上包絡線 e_max（t） 和下包絡線 e_min（t） 。 ② 利用原始信號與上下包絡線均值 m₁（t） 的差值 h₁（t）=x（t）-m₁（t） 進行本征模態函數（IntrinsicModeFunction，IMF）分量辨別。 ③ 若 h₁（t） 不滿足IMF分量的條件，將h₁（t） 作為原始信號重復上述步驟進行重新計算和辨別，直到滿足條件生成IMF分量 。 ④ 利用原始信號與分量 的差值，計算出剩余信號 r₁（t） 并將其作為原始信號重新分解，以此得到為單調函數或常數的剩余信號，至此分解結束。此時，原始信號 x（t） 可表示為式（10）。

2基于GA-BiLSTM與EMD結合的預測模型 構建

2.1 GA優化BiLSTM模型

為提高BiLSTM模型的預測性能，采用遺傳算法對其超參數進行優化。具體優化過程如下。① 確定優化參數。選擇BiLSTM網絡的學習率、隱藏層節點數和批處理大小作為遺傳算法的優化參數。這些參數對模型的訓練速度和預測精度具有重要影響。 ② 初始化種群。根據設定的參數范圍，隨機生成一定數量的個體，每個個體由學習率、隱藏層節點數和批處理大小組成。 ③ 構建BiLSTM模型。針對每個個體，根據其包含的參數構建相應的BiLSTM模型，模型結構包括輸入層、BiLSTM隱藏層、全連接層和輸出層。 ④ 計算適應度值。將訓練集數據輸入構建好的BiLSTM模型中進行訓練，利用測試集數據進行預測，計算預測結果的均方根誤差（RMSE）作為個體的適應度值。⑤ 遺傳操作。按照遺傳算法的選擇、交叉和變異操作對種群進行更新，生成下一代種群。 ⑥ 終止條件判斷。重復上述步驟，直至達到最大迭代次數或適應度值收斂。此時，種群中適應度值最優的個體所對應的參數即為優化后的BiLSTM模型超參數。

2.2基于GA-BiLSTM與EMD結合的預測模型

基于GA-BiLSTM與EMD結合的電廠循環冷卻水系統運行狀態預測模型流程如下。 ① 數據采集與預處理。收集電廠循環冷卻水系統的運行數據，如溫度、壓力、流量等，并對數據進行清洗、歸一化等預處理操作，消除數據中的噪聲和異常值，將數據映射到[0，1]區間，便于模型訓練。 ② EMD分解。將預處理后的數據按EMD算法進行分解，得到能夠反映原始數據在不同時間尺度上的特征IMF分量。 ③ 模型訓練與預測。將每個IMF分量和剩余分量分別作為獨立的時間序列數據，劃分為訓練集和測試集，并利用GA-BiLSTM模型進行訓練和預測，得到各個分量的預測結果。 ④ 結果重構。將各個分量的預測結果進行疊加重構，得到最終的預測結果。通過這種方式，綜合考慮了原始數據不同特征尺度下的信息，提高了預測的準確性。基于GA-BiLSTM-EMD的預測模型如圖2所示。

圖2基于GA-BiLSTM-EMD的預測模型

3實驗結果與分析

3.1實驗環境與數據

實驗基于TensorFlow深度學習框架搭建模型，采用Python編程語言，硬件利用IntelCorei7-10700K 處理器。實驗數據選取某電廠循環冷卻水系統1個月內的低溫淡水出口溫度數據，采樣時間間隔為 30min ，共獲得3585條數據。按照4：1的比例將數據劃分為訓練集和測試集，用于模型的訓練和測試。

3.2 評價指標

為客觀評估模型的預測精度，選用平均絕對誤差 （MAE） 、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE作為評價指標5，其計算分別見式（11）至式（13）。

式中： y_i 為真實值； y_i^′ 為預測值； n 為樣本數量。這3個指標值越小，表明模型的預測精度越高。

3.3 實驗結果

EMD分解結果。對電廠循環冷卻水系統的低溫淡水出口溫度數據進行EMD分解，得到6個IMF分量和1個剩余分量。通過分析IMF分量的頻率和幅值特征，發現IMF1～IMF3主要反映了數據的高頻波動信息，IMF4～IMF6反映了數據的低頻趨勢信息，剩余分量則包含了數據的長期趨勢和一些無法分解的噪聲。

GA-BiLSTM模型優化結果。經過遺傳算法優化后，BiLSTM模型的超參數得到了有效調整。優化后的學習率為0.001，隱藏層節點數為64，批處理大小為32。與優化前相比，模型的收斂速度明顯加快，預測精度顯著提高。

預測結果對比。將測試集數據分別輸入基于GA-BiLSTM與EMD結合的預測模型、未經過GA優化的BiLSTM模型、僅使用EMD分解與LSTM結合的模型（EMD-LSTM）及傳統的支持向量機（Sup-portVectorMachine，SVM模型進行預測，得到的預測結果見表1。

表1不同預測模型的預測結果

由表1可知，基于GA-BiLSTM與EMD結合的預測模型在各項誤差指標上均表現最優， MAE /RMSE和MAPE分別為0.038、0.028和 0.325% 。與其他模型相比，該模型的預測誤差明顯更低，預測精度更高。這表明通過EMD分解對數據進行預處理，能夠有效提取數據特征，降低數據復雜度。而GA對BiLSTM模型超參數的優化，進一步提升了模型的性能，二者結合能夠更準確地預測電廠循環冷卻水系統的運行狀態。

為更直觀地展示各模型的預測效果，繪制了4種不同模型的預測值與真實值對比曲線，如圖3所示。由圖3可知，基于GA-BiLSTM與EMD結合的預測模型的預測值與真實值最為接近，曲線擬合度最高，其他模型的預測曲線與真實值存在一定偏差，進一步驗證了該模型的優越性。

圖34種模型預測結果

4結語

本研究提出了一種基于GA-BiLSTM與EMD結合的電廠循環冷卻水系統運行狀態預測方法。通過EMD分解將原始數據分解為多個IMF分量，降低數據復雜度；利用遺傳算法優化BiLSTM模型的超參數，提高模型性能；將分解后的分量分別輸入優化后的模型進行預測，重構預測結果。實驗結果表明，該模型能夠為電廠循環冷卻水系統的運行狀態提供準確的預測，并在預測精度上顯著提高。

參考文獻：

[1]張建奇，馮樂源，李東鶴，等.采用堆疊長短期記憶神經網絡的水質連續預測方法[J].西安交通大學學報，2025，59（6）：93-102.

12]繆長青，呂悅凱，萬春風.基于GA-LSTM的橋梁纜索腐蝕鋼絲力學性能預測模型[J].東南大學學報（自然科學版），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數預測中的應用[J].安全與環境學報，2025，25（4）：1339-1348.

[4]曹還君，李長云.基于SSA-LSTM模型的空氣質量預測研究[J].現代信息科技，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 循環冷卻水系統運行狀態預測方法[J/OL].自動化技術與應 用，1-7[2025-03-01].http：//kns.cnki.net/kcms/detail/23.1474. TP.20241223.1732.168.html.