基于光伏电站真实数据集的深度学习预测模型(Python代码,深度学习五个模型)

作品简介

 效果视频链接:基于深度学习光伏预测系统(五个模型)哔哩哔哩bilibili

详细链接:https://blog.csdn.net/qq40840797/article/details/138295714?csdnshare_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22138295714%22%2C%22source%22%3A%22qq_40840797%22%7D



界面设计 

​编辑 

 注册界面​编辑

登录界面

​编辑 

主界面

​编辑 

展示界面

​编辑

​编辑

​编辑 

​编辑 

1.数据集来源

The SOLETE dataset

这里分别保存了不同间隔采样时间表格 

​编辑

1min是以1min 间隔采集的数据集

数据集截图(开始位置截图)

​编辑

 截止位置截图

​编辑

 

2.关于特征与标签选择(在交通流量预测方面主要有以下两种方式,本文是第二种)

2.1.第一种方式如下图所示

​编辑

每一行前9列(黄色部分) 作为特征输入,每一行的第10列值作为标签(红色部分) 

 2.2.第二种方式如下图所示

​编辑

前6行的10列数据(黄色部分)作为特征输入,第7行的第10列数据(红色部分)为标签。 

根据已获取的历史数据预测下一个时间点或者未来多个时间点 更符合实际。

3.模型(LSTM;GRU;CNN-LSTM;CNN-GRU;LSTM_transform模型)评价指标

MAE;MSE;MAPE

LSTM 26.3020%; 0.5736% ;49.3607%

GRU 19.3869% ;0.1793%; 44.0200%

CNN-LSTM 16.0719% ;0.1367%; 39.5737%

CNN-GRU 17.2165%; 0.1541% ;41.5540%

LSTM_transform 15.9017%; 0.1385%; 39.7443%

4.效果图(测试集)

LSTM

​编辑

GRU 

​编辑 

CNN-LSTM 

​编辑 

CNN-GRU 

​编辑 

 LSTM+transform

​编辑 

5. 对数据集和代码感兴趣的,可以关注最后一行

#


创作时间:2024-04-29 00:47:30