![](https://img-blog.csdnimg.cn/20190918140145169.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
光伏/风速发电/电池和机械寿命预测
文章平均质量分 83
深度学习预测
深度学习的奋斗者
shouhou6668889,做过多个领域的机器学习与深度学习科研项目及落地项目,在优化算法领域、风速/光伏/股票等时序信号预测领域,农业病虫害图片识别领域技术均很熟练。所售代码,均有售后,可私信
展开
-
光伏发电量预测(Python代码,CNN结合LSTM,TensorFlow框架)
数据集一共8列,第一列是时间,特征列一共有6列:"WindSpeed" - 风速 "Sunshine" - 日照时数 "AirPressure" - 大气压力 "Radiation" - 辐射 "AirTemperature" - 空气温度 "RelativeAirHumidity" - 相对空气湿度。被预测列为最后一列:光伏发电量。数据采集每间隔一个小时,开始时间是2017.1.1号凌晨。数据截止时间:2017年12月31号23:00。1.数据集(开始位置)原创 2024-03-29 15:26:34 · 779 阅读 · 0 评论 -
创新模型LSTM+Transformer交通流量预测(Python代码,GRU/LSTM/CNN_LSTM作为对比模型,多特征输入,单标签输出,可以替换为其它时序数据集)
测试集效果图(区域放大可以自己调整坐标,想放大哪部分都可以)对比模型的指标差异。原创 2023-10-31 23:28:37 · 5677 阅读 · 1 评论 -
风力发电功率预测(CEEMDAN-LSTM-CNN-CBAM模型,Python代码)
风力发电功率预测(CEEMDAN-LSTM-CNN-CBAM模型,Python代码)原创 2023-10-24 23:37:54 · 2035 阅读 · 4 评论 -
风速发电预测(线性回归模型 、XGBoost模型 、决策树回归模型 、随机森林回归模型 、梯度提升回归模型与LSTM模型对比,多特征输入,单标签输出,可轻易替换为其它时序数据集)
如果库版本不一样, 一般也可以运行,这里展示我运行时候的库版本,是为了防止你万一在你的电脑上面运行不了,可以按照我的库版本进行安装并运行 如果想查看自己本地目前库的版本,可以运行下面的代码2.数据集介绍2022年美国某个风电场数据集(从1月1号中午12:00开始收集数据,截止时间为:12月31号下午11:00,每隔一个小时收集数据一次),一共8760行数据。一共有6列数据:列名字为Time stamp(2022); System power generated | (kW) ;Wind spee原创 2023-10-16 00:39:52 · 1147 阅读 · 4 评论 -
基于NASA C-MAPSS数据的剩余机械寿命RUL预测,Python代码(添加了非常详细中文注释),线性回归LR、支持向量回归SVR、随机森林回归RF、xgboost模型
当前的论文研究中,主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单,相比于多工况数据,不需要额外的数据处理)。测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息,即仅包含发动机故障前某个时间终止的多个传感器数据,根据给定的运行参数对每台发动机的RUL进行实时的预测;当前基于机器学习的剩余寿命预测方法的研究异常火爆,其中C-MAPSS数据集在该领域的使用非常广泛,为了方便各位同仁的学习和理解,借此文章向大家简单介绍一下。show.py的如下。原创 2023-10-10 13:37:16 · 1759 阅读 · 1 评论 -
利用动态时间规整(DTW)技术实现对机械寿命预测(基于NASA C-MAPSS数据的剩余使用寿命RUL预测,Python代码,DTW不属于深度学习,但预测效果更容易被解释)
当前的论文研究中,主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单,相比于多工况数据,不需要额外的数据处理)。测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息,即仅包含发动机故障前某个时间终止的多个传感器数据,根据给定的运行参数对每台发动机的RUL进行实时的预测;当前基于机器学习的剩余寿命预测方法的研究异常火爆,其中C-MAPSS数据集在该领域的使用非常广泛,为了方便各位同仁的学习和理解,借此文章向大家简单介绍一下。原创 2023-10-08 20:39:35 · 482 阅读 · 0 评论 -
光伏发电预测(GRU模型,Python代码)
'Clearsky DHI',和 'Clearsky DNI', 'Clearsky GHI'分别为是三个光伏电站的表示。连续10年不间断采集三个光伏电站的发电量及天气情况,每隔半个小时采集一次信息,因此,一共有175296行数据。数据属性: ‘Year’, 'Month', 'Day', 'Hour', 'Minute'这些是时间。),数据由威普罗有限公司(NYSE:WIT,BSE:507685,NSE:WIPRO)收集。开始位置(2009年1月1日0时0分开始开始)2.模型(训练集与测试比例为4:1)原创 2023-10-07 20:51:52 · 1413 阅读 · 0 评论 -
光伏发电预测(LSTM、CNN_LSTM和XGBoost回归模型,Python代码)
一旦结果与预测差距较大,可能存在光伏系统的问题,需要找出原因,然后采取适当措施来修复光伏系统并做出更好的决策。例如,根据准确的预测,光伏系统运营商可以平衡电力消耗,并将多余的电力储备用于紧急情况。然而,光伏系统的发电量估算是一个挑战,因为光伏系统的发电量受到天气条件的极大影响。整个项目文件夹(第一个文件夹为xgboost模型相关的包文件,xg.py是xgboost模型英文注释版本,xg_chinese.py是xgboost模型中文注释版本)表示太阳能光伏系统的发电量,通常以兆瓦(MW)为单位。原创 2023-10-06 23:37:05 · 5398 阅读 · 10 评论 -
短期光伏发电量短期预测(Python代码,基于SARIMA(季节性自回归移动平均模型)和Prophet工具结合预测未来发电量)
读取两个数据集,分别为"Plant_1_Generation_Data.csv"和"Plant_1_Weather_Sensor_Data.csv",然后对数据进行处理,包括删除不需要的列和格式化日期时间。绘制预测结果与原始数据的对比图,并计算预测性能指标,包括R²分数、平均绝对误差(MAE)和均方根误差(RMSE)。创建两个图表的子图,一个包含每日产量图和AC & DC功率图,另一个包含每日产量和总产量的图。分析DC功率和时间的关系,绘制前11个源和后11个源的DC功率图。绘制所有源的DC功率图。原创 2023-09-26 10:49:13 · 981 阅读 · 2 评论 -
短期光伏发电量短期预测(Python代码,先对异常值处理,再基于XGBoost模型预测)
这些数据是在印度的两个太阳能发电厂收集的,时间跨度为34天。传感器数据是在发电厂级别收集的,是单个传感器阵列在发电厂中的最佳放置。这些列提供了关于太阳能发电厂的重要信息,包括发电设备的功率输出、每天的发电量以及总发电量。处理DAILY_YIELD特征的异常值,包括将夜间时间段的发电功率设为0。使用XGBoost模型进行训练和测试,评估模型的性能,并绘制预测结果。统计低异常值的数量,包括低异常值且AC功率为0的数量。绘制逆变器异常值计数的条形图,包括AC功率为0的部分。最后,绘制了模型的特征重要性图表。原创 2023-09-25 22:15:07 · 1049 阅读 · 0 评论 -
机械寿命预测,多步预测,跨设备寿命预测(以一台训练好的模型对另一台直接预测,python代码,压缩包包含数据集,解压缩后直接运行)
1.数据包含了两组输入数据和输出数据。一组输入数据代表的是当前的状态,对应的输出为寿命。2.模型:CNN_LSTM_ATTENTION通过前k(代码里设定的K=3)个输入状态,预测后t(代码里设置的t=3)个周期的寿命。3.两种实验方案结果:3.1in_1st整个数据集作为训练集,in_2st作为测试集:训练集结果图像测试集结果:3.2.In_2st作为训练集,In_1st作为测试集训练集结果:测试集结果:......原创 2022-04-12 22:29:30 · 1700 阅读 · 1 评论 -
机械寿命预测(基于NASA C-MAPSS数据的剩余使用寿命RUL预测,Python代码,CNN_LSTM模型,有详细中文注释)
包括26列,即引擎号、操作周期、3个传感器操作设置和21个传感器测量值。21种测量值来自21个传感器。例如FD001包含train_FD001,test_FD001和RUL_FD001,test数据集中的cycle是随机停止在某一步的(还没有停止工作的某一cycle),并且每个engine对应的RUL在RUL_FD001给出,因此在RUl_FD001中有100个数字,代表的就是RUL。2.数据来源:https://www.nasa.gov/intelligent-systems-division。原创 2023-09-17 15:52:42 · 2201 阅读 · 0 评论 -
电池寿命预测(Python代码,K最近邻回归模型(KNN)、支持向量机回归模型(SVM)和随机森林回归模型(Random Forest)三种模型,添加了中文注释)
数据:每一列为:循环索引:循环次数 :放电时间(秒) :4.15V时刻(秒) :恒定电流时间(秒) :3.6-3.4V递减时间(秒) :最大放电电压(伏特) :最小充电电压(伏特) :充电时间(秒);夏威夷自然能源研究所研究了14节NMC-LCO 18650电池,其标称容量为2.8安时,这些电池在25°C下以C/2充电速率和1.5C放电速率进行了1000次循环充放电。.csv文件数据是来自名为'HNEI_18650_NMC_LCO_25C_0-100_0.5/1.5C_'的时间序列。去更多详细了解数据集。原创 2023-09-16 21:59:20 · 1503 阅读 · 7 评论 -
真实光伏发电厂发电数据(每隔十五分钟采集)
这些列提供了关于太阳能发电厂的重要信息,包括发电设备的功率输出、每天的发电量以及总发电量。DC_POWER: 直流功率的测量值,表示从太阳能电池板产生的直流电功率。DATE_TIME: 表示日期和时间的时间戳,记录数据采集的具体时间点。AC_POWER: 交流功率的测量值,表示从逆变器转换后的交流电功率。DAILY_YIELD: 每天的发电量,表示在给定日期内生成的总电量。PLANT_ID: 发电厂的唯一标识符,用于区分不同的太阳能发电厂。TOTAL_YIELD: 总发电量,表示从安装以来生成的总电量。原创 2023-07-21 00:57:33 · 3072 阅读 · 0 评论 -
四种不同机器学习方法(线性回归模型,K近邻回归模型,决策树回归模型,随机森林回归模型)对光伏发电预测
以上就是这段代码的主要流程。它包括了数据加载、数据预处理、特征工程、模型训练和评估等步骤,用于分析太阳能发电数据并建立回归模型进行预测。选择SOURCE_KEY列的1BY6WEcLGh8j5v7 的光伏板进行AC POWER预测。四种方法分别为线性回归模型,K近邻回归模型,决策树回归模型,随机森林回归模型。这些列包含了太阳能发电数据和气象传感器数据的各个指标和变量。两篇文章用的是同一个数据集,不同的的是本篇多了温度特征。1.数据集介绍(可以看。特征变量之间相关性绘图。原创 2023-05-17 13:26:06 · 801 阅读 · 0 评论 -
短期光伏发电量短期预测(Python代码,基于LSTM模型)
光伏发电预测原创 2023-05-15 15:27:23 · 4023 阅读 · 32 评论