基于LSTM的核电传感器多特征融合多步状态预测

针对核电工况参数预测的问题,利用核电站传感检测系统采集的大量时间序列,提出了基于长短时记忆网络（LSTM）的多特征融合多步状态预测模型。以某核电厂实时参数系统采集到的SG1蒸汽压力传感数据为研究对象,首先针对数据缺失、采样时标不一致问题进行数据预处理,然后完成基于LSTM的多特征融合多步状态预测模型的结构设计与建模,最后将本文提出的预测模型与循环神经网络（RNN）、门控循环单元（GRU）、本文模型-全连接层1以及单变量LSTM等多步预测模型进行比较。实验结果表明,本文提出的预测模型的拟合性能和预测性能整体最优,同时也验证了基于LSTM模型的深度学习方法在核电站运行安全保障领域的适用性。