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）
本文介绍了一个基于深度学习的多模型光伏预测系统。系统采用SOLETE数据集，以1分钟间隔采集数据，采用前6行10列数据作为特征、第7行第10列作为标签的预测方式。实现了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM_transform五种模型，其中CNN-LSTM表现最优（MAE 16.07%，MSE 0.1367%，MAPE 39.57%），LSTM_transform次之。系统包
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
界面设计
注册界面
登录界面
主界面
展示界面
1.数据集来源
这里分别保存了不同间隔采样时间表格
1min是以1min 间隔采集的数据集
数据集截图（开始位置截图）
截止位置截图
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
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
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
GRU
CNN-LSTM
CNN-GRU
LSTM+transform
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
4
0- 0
已为社区贡献11条内容
所有评论(0)