《表2 模型结果对比:基于CNN-LSTM的太阳能光伏组件故障诊断研究》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于CNN-LSTM的太阳能光伏组件故障诊断研究》
从表2结果分析,CNN-LSTM模型结果最令人满意,并且其训练效率大大优于其他模型。相比于传统BP、Autoencoder、CNN这些直接利用电流数值特征进行学习而忽略电流时序特性的网络,CNN-LSTM的网络结构充分利用了光伏发电与辐照强度呈正相关的时序性特点,将电流随时间变化而变化的特性引入模型中进行学习训练;与LSTM、Bi-LSTM、Encoder-LSTM这些只考虑电流时序性的网络结构相比,CNN-LSTM的网络结构充分利用了CNN模型的升降维功能,解决了数据特征类型少的问题;与Autoencoder网络相比,CNN-LSTM的网络结构在对纵向特征进行降维的同时最大程度地保留了电流的时序特性,解决了LSTM模型训练时间过长的问题,综合优化了模型的特征选择与训练时间,最终达到了良好的效果。
图表编号 | XD00130692100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.06 |
作者 | 程起泽、陈泽华、张雲钦、蒋文杰、刘晓峰、沈亮 |
绘制单位 | 太原理工大学大数据学院、太原理工大学大数据学院、太原理工大学大数据学院、晋能清洁能源有限公司、太原理工大学大数据学院、晋能清洁能源有限公司 |
更多格式 | 高清、无水印(增值服务) |