《表1 聚类中心：基于FCM和CG-DBN的光伏功率短期预测》
提示：宽带有限、当前游客访问压缩模式
将经过预处理后的278个数据样本输入至构建好的FCM算法模型中，随后利用FCM算法，将数据进行聚类，聚类结果如表1所示。
| 图表编号 | XD00107632100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.10 |
| 作者 | 李正明、高赵亮、梁彩霞 |
| 绘制单位 | 江苏大学电气信息工程学院、江苏大学电气信息工程学院、江苏大学电气信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 各类簇的预测效果：基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法》2020.09.28
- 《表5 各模型预测结果：基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法》2020.09.28
- 《表1 覆盖率实验方案：基于Chaos-EEMD-PFBD分解和GA-BP神经网络的光伏发电功率超短期预测法》2020.12.28
- 《表2 基于马氏距离和欧氏距离相似度量的光伏功率超短期预测的各评价指标》2021.02.20
- 《表5 预测误差结果对比：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表4 预测误差结果对比：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表3 预测模型输入数据：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表2 预测性能对比：基于VMD和双重注意力机制LSTM的短期光伏功率预测》2021.02.10
- 《表1 相关性分析：基于Attention-LSTM的光伏超短期功率预测模型》2021.02.15
- 《表1 纳入研究特征：基于改进DDPG算法的中短期光伏发电功率预测》2020.10.01
- 《表1 实验使用的特征：基于LSTM的超短期光伏发电功率预测》2020.04.25
- 《表2 模型误差分析：基于相似日的光伏发电系统短期功率预测》2020.02.25
- 《表1 相似日以及预测日：模糊聚类-Elman神经网络短期光伏发电预测模型》2020.06.25
- 《表5 误差指标比较：基于混合灰色关联分析-广义回归神经网络的光伏电站短期功率预测》2019.10.15
- 《表1 误差分析与评估：基于相似日和小波神经网络的光伏短期功率预测》2019.03.25
- 《表2 预测单元数据：基于改进神经网络的光伏发电功率短期预测方法研究》2019.08.20
- 《表2 各模型运行时间：基于SOA-WNN的光伏短期输出功率预测》2019.06.01
- 《表3 多日预测结果比较：基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测》2019.01.10
- 《表2 单日预测结果比较：基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测》2019.01.10
- 《表预测误差指标分析：基于相似日和GA-DBN神经网络的光伏发电短期功率预测》2019.03.15