《表4 RMSE值评估RNN预测效果》
将训练数据集输入到构建的LSTM模型中进行拟合训练并返回LSTM预测模型,然后利用该模型进行谐波监测数据预测。10 min、1 min和10 s 3种时间尺度的谐波监测值、LSTM模型训练过程中拟合值及LSTM模型预测值对比见图5-8,图中raw data表示实测数据,fit data表示LSTM模型在训练过程中拟合的数据,predicted data表示预测数据,Division为拟合数据和预测数据的分割线,GB表示GB/T 14549—1993《电能质量公用电网谐波》标准中110 kV电压等级谐波指标限值,其中电压总谐波畸变率限值为2.0%,奇次谐波电压含有率限值为1.6%。预测结果评估指标MAPE值和RMSE值分别见表1和表2。传统RNN网络预测结果的评估指标见表3和表4。通过图像和表格可知,对于各项谐波监测值,MAPE值和RMSE值两个评估指标数值均比较低,故LSTM算法在模型拟合训练过程中能够很好还原不同时间尺度下电力谐波监测值随时间变化的趋势,预测值与实际值基本一致。
图表编号 | XD00100528200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 刘启斌、尹温硕、胡卫华、陶顺 |
绘制单位 | 贵州万峰电力股份有限公司、华北电力大学新能源电力系统国家重点实验室、贵州万峰电力股份有限公司、华北电力大学新能源电力系统国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |