《表1 输入因素汇总：LSTM在宜昌短期电力负荷预测中的试验应用》
提示：宽带有限、当前游客访问压缩模式
本文选择在进行t时刻预测时均已准确获取的因子特征，即前n个时次的气象数据、负荷数据以及日期信息等作为预测的输入，具体如表1所示。
| 图表编号 | XD00101233700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.01 |
| 作者 | 张明、杜裕、洪国平 |
| 绘制单位 | 湖北省宜昌市气象局、湖北省宜昌市气象局、武汉区域气候中心 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 预测数据对应关系：考虑短期负荷影响的DeepESN电力市场实时电价预测研究》2021.01.20
- 《表4 评价结果对比：计及电价和Attention机制的LSTM短期负荷预测模型》2020.11.30
- 《表1 烟气计算参数：计及电价和Attention机制的LSTM短期负荷预测模型》2020.11.30
- 《表1 测试结果性能对比：基于多尺度卷积神经网络的短期电力负荷预测》2020.11.01
- 《表1 各特征选择权值：新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测》2021.02.10
- 《表1 预测结果对比：基于EMD-DA-LSSVM的短期电力负荷预测研究》2020.11.06
- 《表1 模型损失值：一种基于LSTM神经网络的电力负荷预测方法》2020.05.25
- 《表1 工况负荷表：综合电力推进系统在中型航标船中的设计应用》2020.06.15
- 《表1 模型输入数据表：考虑相关因素的长短时记忆网络短期负荷预测方法》2019.12.20
- 《表1 模型输入参数：基于LSTM-RNN的配电变压器负荷预测模型研究》2020.01.15
- 《表3 模型MAPE对比：基于深度学习的短期电力负荷预测》2020.01.01
- 《表1 常用的激活函数：基于深度学习的短期电力负荷预测》2020.01.01
- 《表2 模型输入数据：基于深度学习的短期电力负荷预测》2020.01.01
- 《表1 预测误差数据：基于机器学习的短期电力负荷预测方法研究》2019.12.10
- 《表4 24h预测误差：LSTM在宜昌短期电力负荷预测中的试验应用》2019.09.01
- 《表1 分类结果说明：基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用》2019.06.24
- 《表1 配电网负荷LSTM预测模型输入特征》2019.07.05
- 《表1 参数代码和水平：基于进化神经网络的短期电力负荷预测研究》2019.06.10
- 《表1 负荷预测的分类：改进的BP神经网络在电力系统短期负荷预测中的应用》2018.10.01
- 《表1 预测结果对比情况：长、短期电力负荷大数据下的智能预测实例分析》2019.12.25