近年来,随着全球经济的快速发展,人类对于电力资源的需求日益增加。核电作为电力资源的重要组成部分,加上其若发生意外造成的灾难性后果,人们对核电设备的安全性越来越重视。因此,需要采取更有效的措施来观察核电系统的运行状态,规避风险确保核电设备的正常运行。如何更准确的预测核电设备的运行状态成为亟待解决的问题。本文通过查阅国内外相关文献和资料,了解当前常见的数据去噪算法,并结合核电数据的特性,对原数据进行有效的去噪。在此基础上,使用去噪后的实验数据对神经网络模型进行训练,最后将该模型运用到核电设备运行状态的预测中。具体介绍如下:传统的数据去噪算法不适用于非平稳非线性数据。小波变换和经验模态分解算法（Empirical Mode Decomposition,简称EMD算法）均能够有效分析处理复杂信号数据,本文中使用两种算法对核电数据进行去噪实验,实验结果表明EMD算法去噪效果优于小波变换去噪。长短期记忆网络（Long Short-Term Memory,简称LSTM）在普通循环神经网络（Recurrent Neural Network,简称RNN）的基础上,在隐藏层神经元中加入记忆单元,实现时间序列上的记忆信息可控。通过这种方式有效改善了RNN梯度消失、长期记忆力不足等缺点,能够有效地利用长距离的时序数据,在设备状态预测领域已经得到广泛的应用。针对核电数据种类多、数据量大、噪声数据多等特点,本文提出了基于LSTM神经网络的核电设备状态预测方法。将EMD算法与LSTM模型相结合,首先使用EMD算法对原始数据去噪,再使用去噪后的数据训练LSTM预测模型,从而提高预测模型的精度。最后,本文将基于LSTM循环神经网络的核电设备状态预测方法运用到核电设备状态预测中,并通过对比实验验证了模型具有更高的预测精度。本文在Keras框架下的仿真环境中进行实验,实验结果表明本文的方法能有效的预测核电设备的运行状态。