温度预测方法、装置、电子设备及计算机可读存储介质

技术领域

本申请涉及电器技术领域，具体涉及一种温度预测方法、装置、电子设备及计算机可读存储介质。

背景技术

逆变器为一种能够把直流电逆变为交流电，供负载使用或并入电网，是发电系统的核心设备之一。逆变器直接影响发电效率和运行稳定性，在电力系统中占有重要地位。

逆变器的核心元器件IGBT(Insulated Gate Bipolar Transistor，绝缘栅双极型晶体管)在运行过程中产生大量的热，约有额定功率1-1.5％的能量消耗在IGBT中并转换为热能，这部分热量会使功率器件管芯发热、结温升高。如果不能及时、有效的将此热量释放，就会影响到器件的工作性能，从而降低系统工作的可靠性，甚至损坏器件。因此，需要有效的知晓逆变器的工作温度，避免逆变器因为高温而发生损坏。

发明内容

本申请提供一种温度预测方法，能够有效的预测逆变器的运行温度。

第一方面，本申请提供一种温度预测方法，所述方法包括：

获取目标逆变器的至少一组历史运行参数；

获取所述目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息；

将各组所述历史运行参数、各组所述历史散热参数与所述历史时刻信息输入完成训练的温度预测模型，通过所述温度预测模型预测所述目标逆变器的运行温度。

在本申请一些实施例中，所述将各组所述历史运行参数、各组所述历史散热参数与所述历史时刻信息输入完成训练的温度预测模型，通过所述温度预测模型预测所述目标逆变器的运行温度，包括：

获取历史周期中各个周期时刻信息对应的周期运行参数与周期散热参数；

将各组所述历史运行参数以及各组所述历史散热参数分别与各个周期时刻的周期运行参数与周期散热参数进行比对，确定目标周期运行参数以及目标周期散热参数，得到所述目标周期运行参数以及所述目标周期散热参数的目标周期时刻；

确定待预测时刻与所述历史时刻信息中的最近历史时刻的时间差；

根据所述时间差，确定所述目标周期时刻在所述历史周期中对应的关联时刻；

确定所述关联时刻对应的周期运行参数与周期散热参数；

根据所述关联时刻对应的周期运行参数与周期散热参数，预测所述目标逆变器在所述待预测时刻的运行温度。

在本申请一些实施例中，所述获取目标逆变器的至少一组历史运行参数之前，所述方法还包括：

获取用于所述温度预测模型训练的多组逆变器运行参数，以及多组逆变器散热参数；

对具有相同时刻信息的逆变器运行参数以及逆变器散热参数进行时间编码，得到所述逆变器运行参数的时间编码信息以及所述逆变器散热参数的时间编码信息；

根据所述逆变器运行参数的时间编码信息以及所述逆变器散热参数的时间编码信息，对各组逆变器运行参数以及各组逆变器散热参数进行排序，得到包括时间序列信息的训练样本；

根据所述包括时间序列信息的训练样本，训练所述温度预测模型。

在本申请一些实施例中，所述获取用于所述温度预测模型训练的多组逆变器运行参数，包括：

获取多组初始逆变器运行参数；

确定各组初始逆变器运行参数包括的参数类型；

分别以每组初始逆变器运行参数为目标初始逆变器运行参数组，确定所述目标初始逆变器运行参数组是否存在缺失的参数类型；

若所述目标初始逆变器运行参数组不存在缺失的参数类型，直接将所述目标初始逆变器运行参数组作为一组逆变器运行参数；

若所述目标初始逆变器运行参数组存在缺失的目标参数类型，填充所述目标参数类型缺失的参数，得到一组逆变器运行参数。

在本申请一些实施例中，所述填充所述目标参数类型缺失的参数，包括：

确定所述目标初始逆变器运行参数组的目标时间戳；

确定与所述目标时间戳相邻的相邻时间戳对应的相邻初始逆变器运行参数组；

确定包括所述目标参数类型的相邻初始逆变器运行参数组与所述目标初始逆变器运行参数组的参数相似度，得到参数相似度满足目标设定的目标相邻参数组；

根据所述目标相邻参数组中所述目标参数类型对应的参数，确定所述目标初始逆变器运行参数组中所述目标参数类型的参数。

在本申请一些实施例中，所述获取用于所述温度预测模型训练的多组逆变器运行参数，包括：

获取多组初始逆变器运行参数；

对每组所述初始逆变器运行参数中的每个参数进行标准化数据处理，得到多组逆变器运行参数。

在本申请一些实施例中，所述获取用于所述温度预测模型训练的多组逆变器散热参数，包括：

分别以每组逆变器散热参数为目标逆变器散热参数，确定所述目标逆变器散热参数在对应的目标时刻信息下所述目标逆变器的当前温度；

确定在所述目标时刻信息下所述目标逆变器的视在功率；

根据所述视在功率以及所述目标逆变器的额定功率，确定功率比；

若所述当前温度小于预设的温度区间的最小端点值，根据所述功率比，确定第一散热参数；

若所述当前温度在所述温度区间内，根据所述当前温度，确定第二散热参数；

确定所述第一散热参数与所述第二散热参数中的最大散热参数为一组逆变器散热参数，从而得到多组逆变器散热参数。

在本申请一些实施例中，所述根据所述包括时间序列信息的训练样本，训练所述温度预测模型，包括：

将多个所述包括时间序列信息的训练样本按照设定比例划分为训练集样本、验证集样本以及测试集样本；

依次将所述训练集样本中的各训练样本作为当前训练样本输入待训练的温度预测模型进行训练，得到所述当前训练样本所对应的第一历史时刻之后的第二历史时刻的预测温度，所述第二历史时刻与所述训练集样本中除所述当前训练样本之外的至少一个目标训练样本相对应；

根据预测的所述第二历史时刻的预测温度以及所述目标训练样本中与所述第二历史时刻对应的所述逆变器的运行温度参数计算得到损失函数值；

根据所述损失函数值对所述温度预测模型的模型指标进行迭代更新，直到所述损失函数值满足迭代终止条件，得到训练后的温度预测模型；

分别通过所述验证集样本中的训练样本以及所述测试集样本中的训练样本对所述训练后的温度预测模型进行验证和测试，完成对所述温度预测模型的训练。

在本申请一些实施例中，所述根据所述包括时间序列信息的训练样本，训练所述温度预测模型，包括：

根据所述训练集样本中训练样本的时间序列信息，确定在不同的运行参数以及不同的逆变器散热参数下，温度信息的趋势特征、季节特征以及误差特征；

根据所述趋势特征、所述季节特征以及所述误差特征，得到包括时间序列信息的预测样本；

根据所述预测样本的趋势特征、季节特征以及误差特征，确定第一特征损失；

根据所述预测样本的时间序列信息，确定第二特征损失；

根据所述第一特征损失以及所述第二特征损失，调整所述温度预测模型，以得到完成初始训练的温度预测模型。

第二方面，本申请还提供一种温度预测装置，所述装置包括：

第一获取模块，用于获取目标逆变器的至少一组历史运行参数；

第二获取模块，用于获取所述目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息；

预测模块，用于将各组所述历史运行参数、各组所述历史散热参数与所述历史时刻信息输入完成训练的温度预测模型，通过所述温度预测模型预测所述目标逆变器的运行温度。

第三方面，本申请还提供一种电子设备，所述电子设备包括处理器、存储器以及存储于所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现任一项所述的温度预测方法中的步骤。

第四方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现任一项所述的温度预测方法中的步骤。

本申请提供的温度预测方法，不仅考虑了目标逆变器的历史运行参数，还考虑了与历史运行参数在相同的历史时刻信息上对应的历史散热参数，能够更为有效且精准的预测逆变器在未来时刻的运行温度。若逆变器在未来的预测温度较高时，可以做出相应的预警措施，避免未来过高的温度损伤逆变器。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例中提供的温度预测系统的场景示意图；

图2是本申请实施例中温度预测方法的一个实施例流程示意图；

图3是本申请实施例中温度预测方法的一个实施例中用于说明目标逆变器的历史运行参数的表格示意图；

图4是本申请实施例中温度预测方法的一个实施例中所使用的温度预测模型的架构示意图；

图5是本申请实施例中温度预测装置的一个功能模块示意图；

图6是本申请实施例中电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，需要理解的是，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。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请中，“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。同时，可以理解的是，在本申请的具体实施方式中，涉及到用户信息、用户数据等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

为了使本领域任何技术人员能够实现和使用本申请，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

本申请提供一种温度预测方法、装置、设备以及存储介质，以下分别进行详细说明。

请参阅图1，图1为本申请实施例所提供的温度预测系统的场景示意图，该温度预测系统可以包括电子设备100和存储设备200，该存储设备200可以向该电子设备100传输数据。如图1中的电子设备100，可以获取该存储设备200中存储的逆变器的历史运行参数以及历史散热参数，以执行本申请中的温度预测方法，实现对逆变器在未来时刻的运行温度预测。

本申请实施例中，电子设备100可以是，但不限于，台式机、便携式电脑、网络服务器、掌上电脑(Personal Digital Assistant，PDA)、平板电脑、无线电子设备、嵌入式设备、独立的服务器，或者也可以是服务器组成的服务器网络或服务器集群等。

本申请的实施例中，电子设备100和存储设备200之间可通过任何通信方式实现通信，包括但不限于，基于第三代合作伙伴计划(3rd Generation Partnership Project，3GPP)、长期演进(Long Term Evolution，LTE)、全球互通微波访问(WorldwideInteroperability for Microwave Access，WiMAX)的移动通信，或基于TCP/IP协议族(TCP/IP Protocol Suite，TCP/IP)、用户数据报协议(User Datagram Protocol，UDP)的计算机网络通信等。

需要说明的是，图1所示的温度预测系统的场景示意图仅仅是一个示例，本申请实施例描述的温度预测系统以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着温度预测系统的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

如图2所示，图2为本申请一个实施例中温度预测方法的流程示意图，温度预测方法可以包括如下步骤201～203。

201、获取目标逆变器的至少一组历史运行参数。

本申请实施例中，目标逆变器可以为待温度预测的逆变器，一组历史运行参数可以包括多种，例如温度、逆变器电流、逆变器电压等，具体的本申请实施例不做限定。其中，作为一种示例，获取目标逆变器的各组历史运行参数的方式可以包括：当目标逆变器处于运行状态时，记录运行时在某个历史时刻下的运行参数。同时，可以将具有相同历史时刻的运行参数存储于同一个存储位置，例如将具有相同历史时刻的运行参数存储于同一个文件夹下。当需要获取历史运行参数时，以具有相同历史时刻的各历史运行参数作为一个数据组，及得到一组历史运行参数。

202、获取目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息。

本申请实施例中，目标逆变器的散热参数可以是目标逆变器的散热风扇的转速、散热水冷液的温度等。其中，一组历史散热参数可以包括多种，例如可以同时包括散热风扇的转速、散热水冷液的温度等，具体的需要根据目标逆变器中实际安装的散热装置而定，例如同时安装了风冷风扇以及水冷水泵时，散热参数就可以同时包括散热风扇的转速、散热水冷液的温度。或者，若目标逆变器仅安装了一种散热装置，则获取对应散热装置的散热参数即可。换言之，若目标逆变器仅包括一种散热装置，则一组历史散热参数中可以仅包括一种散热参数，具体的本申请实施例不做限定。本实施例的一种实现方式中，可以在目标逆变器处于运行状态时，记录运行时在某个历史时刻下的散热参数；同时，将具有相同历史时刻的散热参数存储于同一个存储位置，例如将具有相同历史时刻的散热参数存储于同一个文件夹下。当需要获取历史散热参数时，以具有相同历史时刻的历史散热参数为作为一个数据组，即可获取一组历史散热参数。

203、将各组历史运行参数、各组历史散热参数与历史时刻信息输入完成训练的温度预测模型，通过温度预测模型预测目标逆变器的运行温度。

当获取到每组历史运行参数以及每组历史散热参数之后，可以通过历史时刻信息关联的方式，将具有相同历史时刻信息的历史运行参数组以及历史散热参数组分别依次或者同时输入完成训练的温度预测模型中，使得完成训练的温度预测模型能够根据相同的历史时刻信息，确定目标逆变器在同一时刻下，具体的历史散热参数对应有何种具体的历史运行参数。需要说明的是，当输入的历史运行参数的数组以及历史散热参数的数组越多，温度预测模型能够越好的识别出逆变器在具体运行参数以及散热参数下对应的实际温度，进而温度预测模型能够更好的预测出未来时刻下，目标逆变器的温度。

例如：假设当前时刻为XX年XX月XX日上午9点整，此时获取到XX年XX月XX日上午8点半至XX年XX月XX日上午9点整之间每分钟对应的目标逆变器的历史运行参数以及历史散热参数。假设，模型分析出在XX月XX日上午8点半至XX年XX月XX日上午9点整之间，目标逆变器内的电流、电压、温度均处于上升阶段；且散热参数，例如风扇转速也为递增状态时，可以确定目标逆变器处于负载压力增加的阶段，若要预测XX年XX月XX日上午9点01分的目标逆变器温度时，可以根据模型分析出的温度变化曲线、运行参数的变化曲线以及散热参数的变化曲线，得到一个XX年XX月XX日上午9点01分的温度预测值。例如：若运行参数的变化曲线表征逆变器处于负载上升阶段且后续逆变器负载上升到具体位置达到平稳时，温度变化曲线也具有先上升再平稳的规律以及散热参数的变化曲线也为先上升再平稳时，可以确定未来时刻下，目标逆变器的负载也不会出现变化，散热参数不会变化，此时可以确定XX年XX月XX日上午9点01分的温度预测值与温度变化曲线中的稳定值相同，即完成温度预测。当然，还有其他的情况，具体可以根据具体的实际情况，预测出具体的温度，此处不再进行具体的赘述。

需要说明的是，本申请中完成训练的温度预测模型的模型架构可以为任意的模型架构，同时训练模型的方式也可以为任意的训练方式，例如有监督训练方式或者无监督训练方式等，具体的本申请实施例不做限定。

本申请提供的温度预测方法，通过获取目标逆变器的历史运行参数，以及与历史运行参数在相同的历史时刻信息上对应的历史散热参数之后，能够有效的预测逆变器在未来时刻的运行温度。若逆变器在未来的预测温度较高时，可以做出相应的预警措施，避免未来过高的温度损伤逆变器。

为了更好的实现本申请实施例，在一个本申请实施例中，将各组历史运行参数、各组历史散热参数与历史时刻信息输入完成训练的温度预测模型，通过温度预测模型预测目标逆变器的运行温度，可以包括以下步骤：

首先，获取历史周期中各个周期时刻信息对应的周期运行参数与周期散热参数；

然后，将各组历史运行参数以及各组历史散热参数分别与各个周期时刻的周期运行参数与周期散热参数进行比对，确定目标周期运行参数以及目标周期散热参数，得到目标周期运行参数以及目标周期散热参数的目标周期时刻；

接着，确定待预测时刻与历史时刻信息中的最近历史时刻的时间差；

其次，根据时间差，确定目标周期时刻在历史周期中对应的关联时刻；

以及，确定关联时刻对应的周期运行参数与周期散热参数；

最后，根据关联时刻对应的周期运行参数与周期散热参数，预测目标逆变器在待预测时刻的运行温度。

上述实施例中，提供了一种模型根据输入的数据，进行特征提取，得到相应的曲线，从而得到目标逆变器的温度变化规律，进而对目标逆变器进行温度预测。然而，在某些特殊时刻，逆变器可能会从高负载的状态开始降低负载，进而带来温度的下降。若获取的历史运行参数以及历史散热参数的时刻信息恰好处于高负载的顶点，接下来逆变器的温度可能是下降的。因此，此时的预测结果可能与实际情况不符，出现预测的温度高于实际温度的情况。故，需要模型在训练阶段，学习到目标逆变器的运行规律。例如：可以将目标逆变器每天在不同时刻下的历史运行参数以及历史散热参数提供给模型，使得模型掌握目标逆变器的历史周期性规律。因此，本申请实施例中的历史周期可以为温度预测模型在完成训练之后，自行掌握的关于周期性的特征。例如：模型经过训练，确定目标逆变器每天运行的规律相同，包括：太阳能电池板内的逆变器每天的工作时间为上午6点太阳日出接收阳光开始工作，下午18点太阳日落结束工作等。以及，长度更长的历史周期，包括季节性质的历史周期，例如冬季的光照时间与夏季的光照时间不同，若当前时刻处于冬季，则采取冬季相关的历史周期，若当前时刻处于夏季，则采取夏季相关的历史周期。综上，当需要温度预测模型进行预测时，温度预测模型可以确定当前适用于哪种具体的历史周期，假设未考虑季节性因素，则可以以天为单位，确定历史周期为天。

同时，在确定历史周期后，需要获取每天目标逆变器在不同时刻下的运行规律以及温度变化规律，具体的则是在以天为历史周期的前提下，每个历史周期时刻对应有具体的周期运行参数与周期散热参数。当获取到输入的每组历史运行参数以及每组历史散热参数之后，模型可以根据每组历史运行参数以及每组历史散热参数对应的时刻信息，与历史周期中的时刻信息进行匹配，计算匹配的时刻信息下，历史散热参数、历史运行参数与对应时刻下的周期运行参数与周期散热参数的相似度。当参数相似度大于一定相似度阈值时，则确定当前输入的历史参数与周期中的参数匹配，进而进一步确定当前目标逆变器的运行规律依旧满足周期性。

具体的，可以表现为：假设获取到各组历史运行参数以及各组历史散热参数与模型中的周期性特征进行比对，若各组历史运行参数以及各组历史散热参数与模型内部的周期性参数匹配，例如：假设模型内的周期性的特征以天为单位，且各组历史运行参数与一个周期单位中，早上八点半至九点的周期运行参数匹配。同时，各组历史散热参数也与早上八点半至九点的周期散热参数匹配。此时，可以确定当前的各组历史运行参数以及各组历史散热参数本质上是映射了每天早上八点半到九点的数据。因此，可以确定获取到的各组历史运行参数以及各组历史散热参数满足周期性。

当确定模型依旧满足周期性之后，再根据指令获取需要预测的待预测时刻，从而进行预测即可。需要说明的是，待预测时刻可能不与输入的历史参数中最近的历史时刻相邻。例如：输入的历史参数对应的时刻信息为XX月XX日上午8点半至XX年XX月XX日上午9点整之间，每分钟的历史运行参数以及历史散热参数。如上述实施例，预测的时刻可以是相邻的XX年XX月XX日上午9点01分的温度。在实际情况中，可能需要其他时刻下的温度。例如：XX年XX月XX日上午9点05分、9点10分等不与9点相邻的分钟时刻。因此，假设获取的历史运行参数与历史散热参数的时刻信息为XX月XX日上午8点半至XX年XX月XX日上午9点整之间，且待预测时刻为XX年XX月XX日上午9点05分。因此，XX年XX月XX日上午9点05分与XX月XX日上午8点半至XX年XX月XX日上午9点整中最近的历史时刻则相差5分钟，故这5分钟则为时间差。因此，若历史周期为天时，历史周期中的上午9点05分则为XX年XX月XX日上午9点05分的关联时刻，也可以成为对应时刻。进而，历史周期中的上午9点05分对应的温度信息，则可以视作XX年XX月XX日上午9点05分对应的温度信息。此时，完成待预测时刻的温度预测。同理，假设每天下午14点是光照强度的转折点，若获取到的历史参数为XX年XX月XX日下午13点30至XX年XX月XX日下午14点之间的参数时，根据上述实施例，则可能无法预测到之后的逆变器温度可能处于下降状态。而通过本实施例，则可以有效的确定出温度之后会出现反转，进而能够更加准确的进行温度预测。

为了更好的实现本申请实施例，在一个可替代的示例中，获取目标逆变器的至少一组历史运行参数之前，本申请的温度预测方法还包括对所述温度预测模型进行训练的步骤，具体说明如下。

首先，获取用于温度预测模型训练的多组逆变器运行参数，以及多组逆变器散热参数。

其次，对具有相同时刻信息的逆变器运行参数以及逆变器散热参数进行时间编码，得到逆变器运行参数的时间编码信息以及逆变器散热参数的时间编码信息。

然后，根据逆变器运行参数的时间编码信息以及逆变器散热参数的时间编码信息，对各组逆变器运行参数以及各组逆变器散热参数进行排序，得到包括时间序列信息的训练样本。

最后，根据包括时间序列信息的训练样本，训练温度预测模型。

上述实施例提供了一种根据历史周期的方式进行温度预测的方案。因此，本申请实施例提供了一种模型能够掌握逆变器的周期性规律的训练方案。例如：获取5年之内，目标逆变器的各种类型的运行参数以及散热参数，当然用于训练的散热参数以及运行参数也需要有具体的历史时刻信息。为了优化输入的运行参数以及散热参数，可以将时刻信息进行编码，例如XX月XX日XX时刻的时间信息变化为信息码的方式。具体的编码公式如下表1所示：

表1

当对每组输入的组逆变器运行参数以及每组输入的逆变器散热参数完成时间编码之后，可以按照编码的大小，也就是按照时间的先后顺序对各组参数进行时刻排序，得到包括时间序列信息的训练样本。需要说明的是，在对各组参数进行时刻排序时，可以以年、月、日等不同的周期，组合成多种训练样本。当获得多种训练样本之后，再将训练样本送入模型进行训练，使得模型能够获取到逆变器的周期性规律特征。

为了更好的实现本申请实施例，在一个本申请实施例中，获取用于温度预测模型训练的多组逆变器运行参数，可以包括以下步骤：

首先，获取多组初始逆变器运行参数；

然后，确定各组初始逆变器运行参数包括的参数类型；

最后，分别以每组初始逆变器运行参数为目标初始逆变器运行参数组，确定目标初始逆变器运行参数组是否存在缺失的参数类型；若目标初始逆变器运行参数组不存在缺失的参数类型，直接将目标初始逆变器运行参数组作为一组逆变器运行参数；若目标初始逆变器运行参数组存在缺失的目标参数类型，填充目标参数类型缺失的参数，得到一组逆变器运行参数。

上述实施例提供了一种将训练样本送入模型进行训练的实施方式。然而，在获取逆变器的历史运行参数时，可以对历史运行参数进行一定的预处理操作，使得后续生成的训练样本质量更高。

具体的，上述实施例中说明了一个历史运行参数组中可以包括多种类型的数据，例如，可以包括，但不限于，日发电量、环境温度、A相电压、A相电流、输入电压、输入电流、有功功率、逆变器温度等等。然而，在逆变器运行状态下，对逆变器进行数据采集时，可能存在未完全采集的问题，导致部分类型的数据无法获取。例如：假设存在多组历史运行数据，理论上一组历史运行数据需要包括：日发电量、环境温度、A相电压、A相电流、输入电压、输入电流、有功功率、逆变器温度等多种不同类型的数据，但是由于采集问题，部分历史运行参数组中要么缺失逆变器温度、要么缺失有功功率，要么缺失其他类型的参数。因此，本申请实施例中提供了一种对缺失的参数进行填充的方案。

具体的，在获取到各个历史运行参数组时，可以检测全部的历史运行参数组中一共涉及多少数据类型，得出一个总的参数类型数量。之后，在确定每组历史运行参数中的参数类型的数量与总的参数类型数量是否匹配，若不匹配，则可以确定历史运行参数组存在参数类型的缺失。若当前历史运行参数组存在参数类型的缺失，进一步检测具体的缺失的目标参数类型。之后，在当前历史运行参数组的时刻信息，确定当前历史运行参数组的两个最近的相邻时刻信息对应的历史运行参数组中相同参数类型的两个参数，将该两个参数的加权平均值填充至当前历史运行参数组中缺失的目标参数类型即可。

例如：假设当前历史运行参数组缺失逆变器温度信息，且当前历史运行参数组对应的时刻信息为XX年XX月XX日XX时刻，此时确定XX年XX月XX日XX时刻前后两个最近且相邻的时刻信息对应的两个历史运行参数组中的两个温度信息，进行加权平均计算，并将计算结果填入到当前历史运行参数组缺失的温度信息即可。需要说明的是，相邻的历史运行参数组中同样可能存在参数缺失的情况，例如也缺失了与当前历史运行参数组相同的参数类型。此时，搜寻前后两个历史运行参数组与当前历史运行参数组时刻差最小的、且未缺失目标参数类型的参数进行填充即可。当然，若当前历史运行参数组未存在参数类型的缺失时，则跳过参数填充步骤。

此外，获取的用于训练的初始逆变器运行参数可以如图3所示。如图3所示，序号4对应的第四组初始逆变器运行参数组中的空气温度类型的参数缺失，此时可以将序号为3的初始逆变器运行参数组以及序号为5的初始逆变器运行参数组中的空气温度进行求平均值，并将平均值填入第四组初始逆变器运行参数组的温度类型，作为温度参数，进而得到用于训练的一组逆变器运行参数，以此类推，得到全部的逆变器运行参数组。

为了更好的实现本申请实施例，在一个本申请实施例中，填充目标参数类型缺失的参数，包括：

首先，确定目标初始逆变器运行参数组的目标时间戳；

然后，确定与目标时间戳相邻的相邻时间戳对应的相邻初始逆变器运行参数组；

其次，确定包括目标参数类型的相邻初始逆变器运行参数组与目标初始逆变器运行参数组的参数相似度，得到参数相似度满足目标设定的目标相邻参数组；

最后，根据目标相邻参数组中目标参数类型对应的参数，确定目标初始逆变器运行参数组中目标参数类型的参数。

上述实施例提供了一种求平均值进行数据填充的方案。然而，为了使得填充的数据尽可能的接近实际，本申请实施例还提供了一种计算数据相似度的方式。具体的，以图3进行举例说明，图3中序号为4的初始逆变器运行参数组中的空气温度类型的参数缺失，此时可以以序号为4的时间戳相邻的前后三组数据，计算各种参数类型之间的欧氏距离作为相似度。具体的可以参照如下公式(1)：

其中，公式(1)中，i为参数类型的序号，x可以为当前目标初始逆变器运行参数组中的参数，y为相邻的目标初始逆变器运行参数组中参数。通过上述公式(1)以及图3中的数据可得，请看表2：

表2

由表2可得，图3中的序号第三组以及序号第五组与第四组之间的相似度数值最小，分别为25.0以及24.1，此时再取第三组以及第五组的温度数值进行平均求值，填入第四组的温度类型即可。

为了更好的实现本申请实施例，在一个本申请实施例中，获取用于温度预测模型训练的多组逆变器运行参数，包括：

获取多组初始逆变器运行参数；对每组初始逆变器运行参数中的每个参数进行标准化数据处理，得到多组逆变器运行参数。

本申请在获取到每组逆变器运行参数时，可以对每组逆变器运行参数进行数据标准化处理。例如：使用z-score标准化处理方式，基于原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。一般把均值归一化为0，方差归一化1。具体如下公式(2)所示：

X’为标准化后值，x为一组逆变器运行参数中具体参数类型的参数值，

为了更好的实现本申请实施例，在一个本申请实施例中，获取用于温度预测模型训练的多组逆变器散热参数，包括：

分别以每组逆变器散热参数为目标逆变器散热参数，确定目标逆变器散热参数在对应的目标时刻信息下目标逆变器的当前温度；确定在目标时刻信息下目标逆变器的视在功率；根据视在功率以及目标逆变器的额定功率，确定功率比；若当前温度小于预设的温度区间的最小端点值，根据功率比，确定第一散热参数；若当前温度在温度区间内，根据当前温度，确定第二散热参数；确定第一散热参数与第二散热参数中的最大散热参数为一组逆变器散热参数，从而得到多组逆变器散热参数。

上述实施例提供了一种获取逆变器运行参数以用于模型训练的方案。本申请实施例还提供了一种获取逆变器散热参数的方案。本申请实施例中，逆变器的散热参数可以指代逆变器散热风扇的转速。

由于每组目标逆变器散热参数中包括逆变器的在对应时刻下的工作温度。因此，直接根据每组目标逆变器散热参数确定对应时刻下的工作温度即可。同时，确定逆变器在对应时刻下的视在功率可以通过公式(3)进行确定：

S＝P

其中：S为逆变器在对应时刻下的视在功率，P

ratio

其中：ratio

需要说明的是，本申请实施例中，设定模块温度的预设温度区间为[T

n

最终风扇转速归一化值：n

n

其中，n

为了更好的实现本申请实施例，在本申请的一个实施例中，根据包括时间序列信息的训练样本，训练温度预测模型，可以包括以下步骤：

首先，将多个包括时间序列信息的训练样本按照设定比例划分为训练集样本、验证集样本以及测试集样本；

然后，依次将训练集样本中的各训练样本作为当前训练样本输入待训练的温度预测模型进行训练，得到当前训练样本所对应的第一历史时刻之后的第二历史时刻的预测温度，第二历史时刻与训练集样本中除当前训练样本之外的至少一个目标训练样本相对应；

其次，根据预测的第二历史时刻的预测温度以及目标训练样本中与第二历史时刻对应的逆变器的运行温度参数计算得到损失函数值；

接着，根据损失函数值对温度预测模型的模型指标进行迭代更新，直到损失函数值满足迭代终止条件，得到训练后的温度预测模型；

最后，分别通过验证集样本中的训练样本以及测试集样本中的训练样本对训练后的温度预测模型进行验证和测试，完成对温度预测模型的训练。

本申请实施例中，划分训练样本集、验证样本集以及测试样本集的方案可以按照7:1:2的方式进行划分，当然也可以按照其他的方式进行划分，具体的本申请实施例不做限定。

由于训练样本包括时序信息，而训练样本中涉及的逆变器运行参数以及逆变器散热参数是基于逆变器历史运行的过程中采集的。故，温度预测模型可以根据学习到的特征，对训练样本进行预测，得到训练样本的预测结果。需要说明的是，假设训练样本的涉及的时序总计范围为一年内的逆变器运行参数以及散热参数，此时温度预测模型可以预测该一年内的数据的前半年数据，即第一历史时刻之前则可以为一年数据中半年之前的数据，而第一历史时刻之后的第二历史时刻则可以为后半年的数据。由于，逆变器运行参数以及逆变器散热参数本质上也是真实的运行参数。因此，后半年的样本数据可以视作真实数据，用于比对温度预测模型针对前半年数据的预测结果，进而得到模型的训练损失，之后通过调整模型的参数，使得损失值小于预设要求即可。需要说明的是，本申请列举的第一历史时刻以及第二历史时刻，不一定为半年的时间点，也可以是其他的时间点，具体的本申请实施例不做限定。

例如当前训练样本包括样本1以及样本2，而样本2为时间序列排列在样本1之后的训练样本。样本1对应第一历史时刻T1，样本2对应第二历史时刻T2，第一历史时刻T1早于第二历史时刻T2。在训练时，采用样本1中的逆变器运行参数预测第二历史时刻T2的逆变器运行温度Pre-TempT2，然后将Pre-TempT2与样本2中记录的第二历史时刻T2对应的逆变器的运行温度Sam-TempT2进行比对分析，计算得到损失函数值用于对温度预测模型的权重参数按按照设定的梯度方向进行迭代更新。这样训练的方式可不用对每个训练样本进行人工标定或机器标定，可以节省样本处理的时间。

此外，验证集样本中的训练样本以及测试集样本中的训练样本与训练集样本中的训练样本相同，具体的此处不再进行赘述。

为了更好的实现本申请实施例，在一个本申请实施例中，根据包括时间序列信息的训练样本，训练温度预测模型，包括：

根据训练集样本中训练样本的时间序列信息，确定在不同的运行参数以及不同的逆变器散热参数下，温度信息的趋势特征、季节特征以及误差特征；根据趋势特征、季节特征以及误差特征，得到包括时间序列信息的预测样本；根据预测样本的趋势特征、季节特征以及误差特征，确定第一特征损失；根据预测样本的时间序列信息，确定第二特征损失；根据第一特征损失以及第二特征损失，调整温度预测模型，以得到完成初始训练的温度预测模型。

上述实施例提供了一种通过温度预测模型，学习逆变器的周期性特征的方案。然而，在实际情况中，逆变器的温度容易受环境温度的影响。而环境温度通常具有一定规律。例如：冬季到春季再到夏季，环境温度逐渐上升，逆变器的工作温度呈递增趋势，而夏季到秋季再到冬季，逆变器的工作温度呈递减趋势。因此，在训练模型时，可以训练模型学习温度变化的趋势特征、季节性特征以及一些误差特征。

例如：当获取到包括时序信息的训练样本之后，根据训练样本的时序信息，可以提取趋势特征以及季节特征，具体如下公式(7)所示：

X(t)＝T(t)+S(t)+R(t)……(7)

其中，其中X(t)是包括时序信息的训练样本，T(t),S(t),R(t)是对应的是趋势特征、季节特征以及误差特征。其中，当温度预测模型确定到逆变器在某个时间段内呈下降趋势是，可以用1表示；而在某个时间段确定温度为上升趋势时，则可以用0表示。同时，季节性特征可以用00表示春季、01表示夏季、10表示秋季、11表示冬季。而误差特征可以用1代表存在误差，，0代表未存在误差，例如：夏季转冬季时，部分秋季时间温度会存在反常，从而恢复到夏季的环境温度，此时可以确定秋季时间段内的高温时刻为误差项。之后，分别将趋势特征、季节特征以及误差特征融合至模型学习到的周期性特征进行学习即可。

而本申请在提取到特征之后，进行损失计算，还可以通过公式(8)的方式，计算模型的训练损失，具体公式(8)如下所示：

其中，

此外，需要说明的是，本申请实施例所使用的温度预测模型的模型架构可以如图4所示，由Auto-Correlation、Series Decomp、Feed Forward三个模块组成每一层，同时使用残差结构。Encoder通过序列分解模块消除了long-term趋势-周期项并专注于季节特征建模。Decoder逐步累加从隐藏变量中提取的趋势-周期项。encoder-decoder-Auto-Correlation(Decoder)利用来自Encoder的过去季节项信息。

同时，模型在训练时，确定周期性特征时，可以将获取到的特征向量进行截取以及平移，其中向量的截取长度由模型自适应调整。每当完成一次向量的截取，可以将向量向后依次平移，计算截取后的向量与后续向量中哪个部分相似，从而确定位移量。其中，该位移量本质上是时序上的平移，因此当模型逐步完成向量的截取以及平移计算向量的特征相似度之后，便可以获取到周期性特征。

为了更好实施本申请实施例中的温度预测方法，在温度预测方法之上，本申请实施例中还提供一种温度预测装置，如图5所示，温度预测装置300包括：

第一获取模块301，用于获取目标逆变器的至少一组历史运行参数；

第二获取模块302，用于获取目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息；

预测模块303，用于将各组历史运行参数、各组历史散热参数与历史时刻信息输入完成训练的温度预测模型，通过温度预测模型预测目标逆变器的运行温度。

本申请提供的温度预测装置，通过第一获取模块301以及第二获取模块302获取目标逆变器的历史运行参数，以及与历史运行参数在相同的历史时刻信息上对应的历史散热参数之后，再通过预测模块303能够有效的预测逆变器在未来时刻的运行温度。若逆变器在未来的预测温度较高时，可以做出相应的预警措施，避免未来过高的温度损伤逆变器。

在本申请一些实施例中，预测模块303具体用于：

获取历史周期中各个周期时刻信息对应的周期运行参数与周期散热参数；

将各组历史运行参数以及各组历史散热参数分别与各个周期时刻的周期运行参数与周期散热参数进行比对，确定目标周期运行参数以及目标周期散热参数，得到目标周期运行参数以及目标周期散热参数的目标周期时刻；

确定待预测时刻与历史时刻信息中的最近历史时刻的时间差；

根据时间差，确定目标周期时刻在历史周期中对应的关联时刻；

确定关联时刻对应的周期运行参数与周期散热参数；

根据关联时刻对应的周期运行参数与周期散热参数，预测目标逆变器在待预测时刻的运行温度。

在本申请一些实施例中，该温度预测装置还包括训练模块，该训练模块具体用于：

获取用于温度预测模型训练的多组逆变器运行参数，以及多组逆变器散热参数；

对具有相同时刻信息的逆变器运行参数以及逆变器散热参数进行时间编码，得到逆变器运行参数的时间编码信息以及逆变器散热参数的时间编码信息；

根据逆变器运行参数的时间编码信息以及逆变器散热参数的时间编码信息，对各组逆变器运行参数以及各组逆变器散热参数进行排序，得到包括时间序列信息的训练样本；

根据包括时间序列信息的训练样本，训练温度预测模型。

在本申请一些实施例中，该温度预测装置还包括参数获取模块，该参数获取模块具体用于：

获取多组初始逆变器运行参数；

确定各组初始逆变器运行参数包括的参数类型；

分别以每组初始逆变器运行参数为目标初始逆变器运行参数组，确定目标初始逆变器运行参数组是否存在缺失的参数类型；

若目标初始逆变器运行参数组不存在缺失的参数类型，直接将目标初始逆变器运行参数组作为一组逆变器运行参数；

若目标初始逆变器运行参数组存在缺失的目标参数类型，填充目标参数类型缺失的参数，得到一组逆变器运行参数。

在本申请一些实施例中，参数获取模块具体还用于：

确定目标初始逆变器运行参数组的目标时间戳；

确定与目标时间戳相邻的相邻时间戳对应的相邻初始逆变器运行参数组；

确定包括目标参数类型的相邻初始逆变器运行参数组与目标初始逆变器运行参数组的参数相似度，得到参数相似度满足目标设定的目标相邻参数组；

根据目标相邻参数组中目标参数类型对应的参数，确定目标初始逆变器运行参数组中目标参数类型的参数。

在本申请一些实施例中，参数获取模块具体还用于：

获取多组初始逆变器运行参数；

对每组初始逆变器运行参数中的每个参数进行标准化数据处理，得到多组逆变器运行参数。

在本申请一些实施例中，参数获取模块具体还用于：

分别以每组逆变器散热参数为目标逆变器散热参数，确定目标逆变器散热参数在对应的目标时刻信息下目标逆变器的当前温度；

确定在目标时刻信息下目标逆变器的视在功率；

根据视在功率以及目标逆变器的额定功率，确定功率比；

若当前温度小于预设的温度区间的最小端点值，根据功率比，确定第一散热参数；

若当前温度在温度区间内，根据当前温度，确定第二散热参数；

确定第一散热参数与第二散热参数中的最大散热参数为一组逆变器散热参数，从而得到多组逆变器散热参数。

在本申请一些实施例中，训练模块具体还用于：

将多个包括时间序列信息的训练样本按照设定比例划分为训练集样本、验证集样本以及测试集样本；

依次将训练集样本中的各训练样本作为当前训练样本输入待训练的温度预测模型进行训练，得到当前训练样本所对应的第一历史时刻之后的第二历史时刻的预测温度，第二历史时刻与训练集样本中除当前训练样本之外的至少一个目标训练样本相对应；

根据预测的第二历史时刻的预测温度以及目标训练样本中与第二历史时刻对应的逆变器的运行温度参数计算得到损失函数值；

根据损失函数值对温度预测模型的模型指标进行迭代更新，直到损失函数值满足迭代终止条件，得到训练后的温度预测模型；

分别通过验证集样本中的训练样本以及测试集样本中的训练样本对训练后的温度预测模型进行验证和测试，完成对温度预测模型的训练。

在本申请一些实施例中，训练模块具体还用于：

根据训练集样本中训练样本的时间序列信息，确定在不同的运行参数以及不同的逆变器散热参数下，温度信息的趋势特征、季节特征以及误差特征；

根据趋势特征、季节特征以及误差特征，得到包括时间序列信息的预测样本；

根据预测样本的趋势特征、季节特征以及误差特征，确定第一特征损失；

根据预测样本的时间序列信息，确定第二特征损失；

根据第一特征损失以及第二特征损失，调整温度预测模型，以得到完成初始训练的温度预测模型。

本申请实施例还提供一种电子设备，该电子设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序以实现本申请实施例中任一项的温度预测方法中的步骤。其中，该电子设备，其集成了本申请实施例所提供的任一种温度预测方法，如图6所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：

该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器401是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界是面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。

存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。

电子设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该电子设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，例如：

获取目标逆变器的至少一组历史运行参数；

获取目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息；

将各组历史运行参数、各组历史散热参数与历史时刻信息输入完成训练的温度预测模型，通过温度预测模型预测目标逆变器的运行温度。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种计算机可读存储介质，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。其上存储有计算机程序，计算机程序被处理器进行加载，以执行本申请实施例所提供的任一种温度预测方法中的步骤。例如，计算机程序被处理器进行加载可以执行如下步骤：

获取目标逆变器的至少一组历史运行参数；

获取目标逆变器的至少一组历史散热参数，一组历史散热参数与一组历史运行参数对应相同的历史时刻信息；

将各组历史运行参数、各组历史散热参数与历史时刻信息输入完成训练的温度预测模型，通过温度预测模型预测目标逆变器的运行温度。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见上文针对其他实施例的详细描述，此处不再赘述。

具体实施时，以上各个单元或结构可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元或结构的具体实施可参见前面的方法实施例，在此不再赘述。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种温度预测方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。