基于E-LSTM循环神经网络的制冷设备状态预测

作者：徐晨蕊; 贾克斌; 刘鹏宇

来源：测控技术, 2019, 38(12): 40-45.

DOI：10.19708/j.ckjs.2019.12.007

• 预测
• 深度学习
• LSTM
• 制冷设备
• 智能化

制冷设备是高可靠性和高安全性的复杂系统,多年的设备运行产生了大量的时间序列数据。为了解决制冷设备运行状态难以准确预测等问题,提出使用改进型LSTM(Enhanced-LSTM)对制冷设备的状态进行预测。通过使用均值滤波的方法对原始数据进行预处理,填补空缺值,处理异常值。对特征进行相关性分析,选择与制冷设备状态关联系数较大的特征:PUE、冷源功率、冷冻二次泵作为研究对象,实现基于E-LSTM的网络结构的设计、训练和预测,最后对预测结果进行比较分析。通过与线性回归、SVR、GRU、RNN、LSTM等模型的对比实验,表明了所改进的E-LSTM神经网络对制冷设备的运行状态有更高的预测精度。对制冷设备里的重要参数进行预测,在理论研究方面为制冷设备检修风险评估分析提供科学、真实、有效的数据,保证数据中心正常工作。

• 单位
  北京工业大学