基于样本熵重构与RF-LSTM模型的水电机组状态趋势预测

作者：姜伟; 卢俊泽; 许颜贺

来源：大电机技术, 2024, (02): 74-80.

• 水电机组
• 样本熵
• 随机森林
• 长短期记忆网络
• 状态趋势预测

针对水电机组运行状态预测问题，提出一种基于样本熵重构(sample entropy reconstruction, SER)与随机森林(random forest, RF)-长短期记忆网络(long short-term memory, LSTM)的混合预测模型。首先，利用改进自适应噪声完备集成经验模态分解(improved complete ensemble empirical mode decomposition with adaptive white noise, ICEEMDAN)方法，将复杂非线性振摆信号分解为一组本征模态(intrinsic mode functions, IMFs)分量；其次，采用SER原理重组具有相似复杂度的IMFs,得到多个重构特征分量(reconstruction feature components, RFCs);然后，利用随机森林预测样本熵最小的RFC,利用LSTM预测剩余的RFCs;最后，叠加各RFCs预测结果，实现水电机组状态趋势的准确预测。实验结果表明，所提方法具备更优的预测性能，可为实施机组预测性维护提供可靠的数据支持。

• 出版日期2024
• 单位华中科技大学; 淮阴工学院