11、深度学习与LSTM在设施维护操作预测中的应用

深度学习与LSTM在设施维护操作预测中的应用

1. 深度学习在设施维护操作预测中的实践

随着实时定价（RTP）自适应控制成为现实，从系统控制的角度来看，预测设施维护操作的发生变得至关重要。为了实现这一目标，我们构建了一个6层的多层感知器（MLP）型深度学习神经网络模型，用于预测设施维护操作中干扰的发生。

1.1 数据与模型结构

我们使用实际机器的数据收集系统，采用一种网络结构，将空调运行状态历史每分钟的840个点并行输入到MLP型神经网络中。具体来说，训练数据是840个变量 * 1056组实际测量数据。

在设施维护操作中，过去的操作历史影响显著。这里涉及7个变量：
- (P^b(t))：瞬时功率（kW）
- (A_{HZ1}(t))：压缩机1的转速（rps）
- (A_{HZ2}(t))：压缩机2的转速（rps）
- (D_{AHZ}(t))：压缩机1和压缩机2的转速差（rps）
- (C_{SV}(t))：逆变器电流限制（A）
- (A_{Oh}(t))：设备维护操作中干扰发生后的经过时间（min）
- (S_{O}(t))：设备维护操作中干扰的实际发生情况（0或1）

这7个变量受最多两小时的运行历史影响，系统重启时会重置。因此，输入状态变量向量(x)是过去120分钟每分钟的空调运行历史（7 × 120 = 840个点）。MLP型神经网络的模型结构中，未来5分钟每分钟设备维护操作的预测干扰值作为输出变量向量(y)，具体如下：
(\mathbf{x} = [P^b(t - 1), \cdots, P^b(t - 120), S_O(t - 1), \cdot