CN114139766A - 基于cnn与lstm方法的光伏组串电流预测方法和*** - Google Patents
基于cnn与lstm方法的光伏组串电流预测方法和*** Download PDFInfo
- Publication number
- CN114139766A CN114139766A CN202111256410.9A CN202111256410A CN114139766A CN 114139766 A CN114139766 A CN 114139766A CN 202111256410 A CN202111256410 A CN 202111256410A CN 114139766 A CN114139766 A CN 114139766A
- Authority
- CN
- China
- Prior art keywords
- predicted
- prediction
- string
- current
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 63
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CNN与LSTM方法的光伏组串电流预测方法和***。该方法包括:获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值;根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。由此,能够通过预测得到待预测光伏组串的待预测时刻的预测值,进一步获取待预测光伏组串的待预测时刻的预测电流值,且采用本发明实施例提供的方法,所得到的预测电流值精确度较高。
Description
技术领域
本发明涉及光伏发电技术领域,特别涉及一种基于CNN与LSTM方法的光伏组串电流预测方法和***。
背景技术
随着国家节能减排的需求和清洁能源的兴起,各种利用清洁能源的发电设备也越来越普及,尤其是光伏发电。
目前,随着光伏行业的不断发展,对光伏发电***的可靠稳定运行要求越来越高,光伏***的运行维护越来越受到关注和重视,而光伏组串作为光伏发电***的重要部件,对光伏组串的故障检测与维护尤其重要。
相关技术中,通过对光伏组串的电流电压监控,对比多组串的数据来识别问题组串,但是识别精度不高。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于CNN与LSTM方法的光伏组串电流预测方法,首次基于时空多维数据将CNN(Convolutional Neural Network,卷积神经网络)和LSTM(Long Short-Term Memory,长短期记忆网络)方法应用于光伏组串电流预测,通过获取预测样本数据集,将获取预测样本数据集输入至训练好的电流预测模型,预测得到待预测时刻待预测光伏组串的预测值,进一步获取待预测时刻待预测光伏组串的预测电流值,光伏组串电流预测的精确高。
本发明的第二个目的在于提出一种基于CNN与LSTM方法的光伏组串电流预测***。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
本发明第一方面实施例提出了一种基于CNN与LSTM方法的光伏组串电流预测方法,包括:获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值;根据所述最大电流值和所述最小电流值和所述预测值,生成待预测时刻所述待预测光伏组串的预测电流值。
在本发明的一个实施例中,所述对预测组串电流数据进行预处理,获取预测样本数据集,包括:
对所述预测组串电流数据每隔第一预设时间间隔进行采样,并利用中值滤波插补缺失值,记为Im,j,表示第m个光伏组串j时刻的电流值;之后对同设备的h个组串按照不同时刻进行归一化处理,生成预测归一化数据:其中,为第m个光伏组串j时刻归一化处理后的预测归一化数据;将多个所述光伏组串的所述预测归一化数据中,所述待预测时刻之前的N个预测归一化数据作为所述预测样本数据集;其中,N为大于0的整数。
在本发明的一个实施例中,所述电流预测模型包括:卷积层、池化层、LSTM层和全连接层,所述将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值,包括:将所述预测样本数据依次输入至卷积层,池化层,LSTM层和全连接层,预测待预测时刻所述待预测光伏组串的预测值。
在本发明的一个实施例中,所述方法,还包括:
获取训练样本数据集;将训练样本数据集输入至电流预测模型,对所述电流预测模型进行训练,得到训练好的电流预测模型。
在本发明的一个实施例中,所述获取训练样本数据集,包括:
获取多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据;对训练组串电流数据进行预处理,获取训练样本数据集。
在本发明的一个实施例中,所述对训练组串电流数据进行预处理,获取训练样本数据集,包括:
对训练组串电流数据每隔第二预设时间间隔进行采样,并利用中值滤波插补缺失值,记为IM,J,表示第M个光伏组串J时刻的电流值;之后对同设备的H个组串按照不同时刻进行归一化处理,生成训练归一化数据:其中,为第M个光伏组串J时刻归一化处理后的训练归一化数据;将多个所述光伏组串的所述训练归一化数据中,任一光伏组串的第一时刻的组串电流值作为因变量,多个所述光伏组串的所述第一时刻之前的M个时刻的组串电流值作为自变量,生成所述训练样本数据集;其中,M为大于0的整数。
在本发明的一个实施例中,所述将训练样本数据集输入至电流预测模型,对所述电流预测模型进行训练,得到训练好的电流预测模型,包括:
将所述训练样本数据集依次输入至卷积层,池化层,LSTM层和全连接层,将均方差损失MSE作为损失函数,利用自适应矩阵估计Adam优化算法,对所述电流预测模型进行训练,得到训练好的电流预测模型。
本发明第二方面实施例提出了一种基于CNN与LSTM方法的光伏组串电流预测***,包括:获取单元,用于获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;处理单元,用于对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;预测单元,用于将所述预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值;生成单元,用于根据所述最大电流值和所述最小电流值和所述预测值,生成待预测时刻所述待预测光伏组串的预测电流值。
本发明第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本发明第一方面实施例所述的方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如本发明第一方面实施例所述的方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的流程图;
图2为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的S2的子步骤的流程图;
图3为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的另一个流程图;
图4为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的S100的子步骤的流程图;
图5为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的同一设备的不同光伏组串的电流数据的相关性示意图;
图6为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的同一光伏组串的电流数据的相似性示意图;
图7为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的S102的子步骤的流程图;
图8为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测***的结构示意图;
图9为根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面结合附图来描述本发明实施例的基于CNN与LSTM方法的光伏组串电流预测方法和***。
图1为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测方法的流程图。
如图1所示,本发明实施例的基于CNN与LSTM方法的光伏组串电流预测方法,包括:
S1:获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括所述待预测时刻的预设时长内的预测组串电流数据。
本发明实施例中,获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据。
示例性的,待预测光伏组串可以为汇流箱或逆变器中的光伏组串,在待预测光伏组串为汇流箱中的光伏组串的情况下,获取汇流箱中全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据,在待预测光伏组串为逆变器中的光伏组串的情况下,获取逆变器中全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据。
需要说明的是,待预测时刻可以为将来的某一时刻,也可以为过去的某一时刻。其中,将来的某一时刻可以为即将到来的某一时刻,本发明实施例中,获取的为待预测时刻之前的预设时长内的预测组串电流数据。
本发明实施例中,预测组串电流数据包括,待预测光伏组串所在的设备中全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的组串电流值数据。
可以理解的是,获取包括待预测光伏组串所在的设备中全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据,其中,预设时长可以为8小时,或者也可以为12小时,或者还可以为24小时,或者还可以为其他任意时长,本发明实施例对此不作具体限制。
S2:对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集。
本发明实施例中,对获取的待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据进行预处理,得到待预测时刻的最大电流值和最小电流值,以及预测样本数据集。
可以理解的是,预测组串电流数据包括待预测光伏组串所在的设备中全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的组串电流值数据,对组串电流值数据进行预处理,能够得到待预测时刻的最大电流值和最小电流值,以及预测样本数据集。
在一些实施例中,如图2所示,对预测组串电流数据进行预处理,获取预测样本数据集,包括但不限于以下步骤:
S21:对预测组串电流数据每隔第一预设时间间隔进行采样,并利用中值滤波插补缺失值,记为Im,j,表示第m个光伏组串j时刻的电流值。
本发明实施例中,对获取的待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据每隔第一预设时间间隔进行采样,其中,第一预设时间间隔可以为10分钟,或者也可以为15分钟,或者还可以为5分钟等,第一预设时间间隔还可以为其他数据,本发明实施例对此不作具体限制。
本发明实施例中,可以利用中值滤波插补缺失值,得到时间点连续无缺失的预测滤波数据。
可以理解的是,采用中值滤波方法插补缺失值,可以为用缺失值邻域中各点的中值来补充缺失值。
S22:之后对同设备的h个组串按照不同时刻进行归一化处理,生成预测归一化数据:
本发明实施例中,对同设备的h个组串按照不同时刻进行归一化处理,生成预测归一化数据。
S23:将多个光伏组串的预测归一化数据中,待预测时刻之前的N个预测归一化数据作为预测样本数据集;其中,N为大于0的整数。
本发明实施例中,采用待预测时刻之前的N个预测归一化数据作为预测样本数据集,其中,N为大于0的整数。
示例性的,N可以为5、10、15、20、25或者30等,或者还可以为其他数据,本发明实施例对此不作具体限制。
需要说明的是,当N为20的时候,选择的预测归一化数据足够多,能够使预测结果更加准确,且选择的预测归一化数据的个数不会对后续的模型运算产生较大的运算压力,预测处理时间更短,预测效率更高。
请继续参照图1,本发明实施例中,在S2之后执行S3:将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值。
本发明实施例中,可以预先设置有电流预测模型,通过对电流预测模型进行训练,得到训练好的电流预测模型,使得能够使用训练好的电流预测模型对预测样本数据集进行处理,得到待预测时刻待预测光伏组串的预测值。
在一些实施例中,电流预测模型包括:卷积层、池化层、LSTM层和全连接层,将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值,包括:
将预测样本数据依次输入至卷积层,池化层,LSTM层和全连接层,预测待预测时刻待预测光伏组串的预测值。
本发明实施例中,电流预测模型包括:卷积层、池化层、LSTM层和全连接层。将预测样本数据集中的数据依次输入训练好的电流预测模型的卷积层,池化层,LSTM层和全连接层进行处理,预测得到待预测时刻待预测光伏组串的预测值。
S4:根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。
本发明实施例中,通过对预测组串电流数据进行预处理,得到待预测时刻的最大电流值和最小电流值,以及预测样本数据集,之后使用训练好的电流预测模型对预测样本数据集进行处理,得到待预测时刻待预测光伏组串的预测值,以根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。
可以理解的是,预测值得到的是归一化后的数值,想要得到待预测时刻待预测光伏组串的预测电流值,需要根据待预测时刻的最大电流值和最小电流值将预测值反推得到归一化之前的值,即为待预测时刻待预测光伏组串的预测电流值。
通过实施本发明实施例,获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值;根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。由此,通过预测得到待预测光伏组串的待预测时刻的预测值,能够获取待预测光伏组串的待预测时刻的预测电流值,且采用本发明实施例提供的方法,所得到的预测电流值精确度较高。
在一些实施例中,如图3所示,本发明实施例的基于CNN与LSTM方法的光伏组串电流预测方法,还包括:
S100:获取训练样本数据集。
在一些实施例中,如图4所示,本发明实施例中S100包括但不限于如下子步骤:
S101:获取多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据。
本发明实施例中,获取多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据,其中,多个光伏组串可以为同一设备的光伏组串。示例性的,可以为汇流箱或逆变器中的光伏组串。
本发明实施例中,训练组串电流数据包括多个组串正常运行过程中的第一时间长度内的组串电流值。
本发明实施例中,第一时间长度可以为20天,或者也可以为30天,或者还可以为其他数据,本发明实施例对此不作具体限制。
如图5可以看出同一设备的不同光伏组串的电流数据之间有很强的相关性,如图6可以看出同一个光伏组串不同日期的电流数据之间的关系具有相似性。基于此,本公开实施例中,获取多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据作为训练样本数据集,使得训练样本数据集中的数据足够多。
S102:对训练组串电流数据进行预处理,获取训练样本数据集。
本发明实施例中,对获取的多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据进行预处理,以得到训练样本数据集。
在一些实施例中,如图7所示,本发明实施例中S102包括但不限于如下子步骤:
S1021:对训练组串电流数据每隔第二预设时间间隔进行采样,并利用中值滤波插补缺失值,记为IM,J,表示第M个光伏组串J时刻的电流值。
本发明实施例中,对获取的多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据每隔第二预设时间间隔进行采样。
其中,第二预设时间间隔可以为10分钟,或者还可以为15分钟,或者还可以为其他数据本发明实施例对此不作具体限制。
本发明实施例中,第二预设时间间隔可以与第一预设时间间隔相等。
本发明实施例中,可以利用中值滤波插补缺失值,得到时间点连续无缺失的训练滤波数据。
可以理解的是,采用中值滤波方法插补缺失值,可以为用缺失值邻域中各点的中值来补充缺失值。
S1022:之后对同设备的H个组串按照不同时刻进行归一化处理,生成训练归一化数据:
本发明实施例中,对同设备的H个组串按照不同时刻进行归一化处理,生成训练归一化数据。
S1023:将多个光伏组串的训练归一化数据中,任一光伏组串的第一时刻的组串电流值作为因变量,多个光伏组串的第一时刻之前的M个时刻的组串电流值作为自变量,生成训练样本数据集;其中,M为大于0的整数。
本发明实施例中,采用任一光伏组串的第一时刻的组串电流值作为因变量,多个光伏组串的第一时刻之前的M个时刻的组串电流值作为自变量,生成训练样本数据集;其中,M为可以预先设置的大于0的整数。
示例性的,M可以为5、10、15、20、25或者30等,或者还可以为其他数据,本发明实施例对此不作具体限制。
请继续参照图3,本发明实施例中,在S100之后执行S200:将训练样本数据集输入至电流预测模型,对电流预测模型进行训练,得到训练好的电流预测模型。
本发明实施例中,可以预先设置有电流预测模型,将训练样本数据集输入至电流预测模型,通过对电流预测模型进行训练,得到训练好的电流预测模型。
在一些实施例中,将训练样本数据集依次输入至卷积层,池化层,LSTM层和全连接层,将均方差损失MSE作为损失函数,利用自适应矩阵估计Adam优化算法,对电流预测模型进行训练,得到训练好的电流预测模型。
本发明实施例中,电流预测模型包括:卷积层、池化层、LSTM层和全连接层。将训练样本数据集中的数据依次输入至电流预测模型的卷积层,池化层,LSTM层和全连接层,将均方差损失MSE(Mean Squared Error)作为损失函数,利用自适应矩阵估计Adam(adaptivemoment estimation)优化算法,对电流预测模型进行训练,得到训练好的电流预测模型。
可以理解的是,可以采用均方差损失MSE作为损失函数,均方差损失MSE为机器学习、深度学习回归任务中最常用的一种损失函数,也称为L2 Loss。当预测的光伏组串电流值等于真实的光伏组串电流值时,均方差损失MSE损失函数的最小值为0,最大值为无穷大。
为了实现上述实施例,本发明还提出一种基于CNN与LSTM方法的光伏组串电流预测***。
图8为根据本发明一个实施例的基于CNN与LSTM方法的光伏组串电流预测***的结构示意图。
如图8所示,本发明实施例的基于CNN与LSTM方法的光伏组串电流预测***10,包括:获取单元11、处理单元12、预测单元13、生成单元14,其中:
获取单元11,用于获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据。
处理单元12,用于对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集。
预测单元13,用于将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值。
生成单元14,用于根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。
关于上述实施例中的基于CNN与LSTM方法的光伏组串电流预测***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
通过实施本发明实施例,获取单元11获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;处理单元12对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;预测单元13将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻待预测光伏组串的预测值;生成单元14根据最大电流值和最小电流值和预测值,生成待预测时刻待预测光伏组串的预测电流值。由此,通过预测得到待预测光伏组串的待预测时刻的预测值,能够获取待预测光伏组串的待预测时刻的预测电流值,且采用本发明实施例提供的方法,所得到的预测电流值精确度较高。
为了实现上述实施例,如图9所示,本发明实施例提出了一种电子设备1200,包括:存储器1201、处理器1202及存储在存储器1201上并可在处理器1202上运行的计算机程序,处理器1202执行程序时,实现上述的基于CNN与LSTM方法的光伏组串电流预测方法。
本发明实施例的电子设备所能取得的有益效果与上述基于CNN与LSTM方法的光伏组串电流预测方法所取得的有益效果相同,此处不再赘述。
为了实现上述实施例,本发明实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上述的基于CNN与LSTM方法的光伏组串电流预测方法。
本发明实施例的计算机可读存储介质所能取得的有益效果与上述基于CNN与LSTM方法的光伏组串电流预测方法所取得的有益效果相同,此处不再赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于CNN与LSTM方法的光伏组串电流预测方法,其特征在于,包括:
获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括所述待预测时刻的预设时长内的预测组串电流数据;
对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;
将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值;
根据所述最大电流值和所述最小电流值和所述预测值,生成待预测时刻所述待预测光伏组串的预测电流值。
3.根据权利要求2所述的方法,其特征在于,所述电流预测模型包括:卷积层、池化层、LSTM层和全连接层,所述将预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值,包括:
将所述预测样本数据依次输入至卷积层,池化层,LSTM层和全连接层,预测待预测时刻所述待预测光伏组串的预测值。
4.根据权利要求1所述的方法,其特征在于,所述方法,还包括:
获取训练样本数据集;
将训练样本数据集输入至电流预测模型,对所述电流预测模型进行训练,得到训练好的电流预测模型。
5.根据权利要求4所述的方法,其特征在于,所述获取训练样本数据集,包括:
获取多个光伏组串正常运行过程中的第一时间长度内的训练组串电流数据;
对训练组串电流数据进行预处理,获取训练样本数据集。
7.根据权利要求6所述的方法,其特征在于,所述将训练样本数据集输入至电流预测模型,对所述电流预测模型进行训练,得到训练好的电流预测模型,包括:
将所述训练样本数据集依次输入至卷积层,池化层,LSTM层和全连接层,将均方差损失MSE作为损失函数,利用自适应矩阵估计Adam优化算法,对所述电流预测模型进行训练,得到训练好的电流预测模型。
8.一种基于CNN与LSTM方法的光伏组串电流预测***,其特征在于,包括:
获取单元,用于获取待预测光伏组串所在的设备内全部光伏组串待预测时刻之前包括待预测时刻的预设时长内的预测组串电流数据;
处理单元,用于对预测组串电流数据进行预处理,获取待预测时刻的最大电流值和最小电流值,以及预测样本数据集;
预测单元,用于将所述预测样本数据集输入至训练好的电流预测模型,预测待预测时刻所述待预测光伏组串的预测值;
生成单元,用于根据所述最大电流值和所述最小电流值和所述预测值,生成待预测时刻所述待预测光伏组串的预测电流值。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256410.9A CN114139766A (zh) | 2021-10-27 | 2021-10-27 | 基于cnn与lstm方法的光伏组串电流预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256410.9A CN114139766A (zh) | 2021-10-27 | 2021-10-27 | 基于cnn与lstm方法的光伏组串电流预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139766A true CN114139766A (zh) | 2022-03-04 |
Family
ID=80394623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111256410.9A Pending CN114139766A (zh) | 2021-10-27 | 2021-10-27 | 基于cnn与lstm方法的光伏组串电流预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139766A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376968A (zh) * | 2018-12-14 | 2019-02-22 | 广东电网有限责任公司 | 一种提高中压电缆线路负荷预测精度的方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN112398226A (zh) * | 2020-11-13 | 2021-02-23 | 国网山东省电力公司泰安供电公司 | 一种供电***反窃电方法、***、终端及存储介质 |
-
2021
- 2021-10-27 CN CN202111256410.9A patent/CN114139766A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376968A (zh) * | 2018-12-14 | 2019-02-22 | 广东电网有限责任公司 | 一种提高中压电缆线路负荷预测精度的方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN112398226A (zh) * | 2020-11-13 | 2021-02-23 | 国网山东省电力公司泰安供电公司 | 一种供电***反窃电方法、***、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
Liu et al. | Short-term predictions of multiple wind turbine power outputs based on deep neural networks with transfer learning | |
CN110826789B (zh) | 基于电力***的电力负荷预测方法、装置及终端设备 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
Killick et al. | A wavelet-based approach for detecting changes in second order structure within nonstationary time series | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及*** | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN117458955A (zh) | 电机的运行控制方法及*** | |
CN117540859B (zh) | 一种基于神经网络的光伏电站发电量的预估方法及*** | |
CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和*** | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及*** | |
CN114139766A (zh) | 基于cnn与lstm方法的光伏组串电流预测方法和*** | |
CN117040048A (zh) | 风光发电储能管理方法及*** | |
CN116610996A (zh) | 线缆的状态检测方法、装置和计算机设备 | |
CN116248472A (zh) | 基于神经霍克斯过程的云边端***故障预测方法 | |
Yahyaoui et al. | Kernel PCA based BiLSTM for Fault Detection and Diagnosis for Wind Energy Converter Systems | |
CN118069717B (zh) | 基于循环神经网络的时序数据特征预测方法 | |
CN117708575B (zh) | 基于火电机组多元状态估计故障预警模型的增量学习方法 | |
CN117347781B (zh) | 一种基于特征融合的配电网故障检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |