《表3 模型MAPE对比:基于深度学习的短期电力负荷预测》
(%)
失函数与MAE损失函数相比,整个训练过程中Log-Cosh的下降更加平稳,波动较小。从图5和6还可看出,无论是MLP模型还是LSTM模型,都能准确地预测负荷的变化趋势,大部分预测值和实际值比较接近,MLP和LSTM两个模型在所提PL、MAE和Log-Cosh 3种损失函数的训练后,预测负荷与实际负荷的MAPE对比如表3所示。通过表3可以看出,使用更多输入信息的MLP模型的预测精度高于LSTM模型,对比图5和6的预测细节也可发现,MLP对负荷极值的预测准确度高于LSTM,是因为MLP不仅使用了过去24h的数据,还是用了过去一周同一时刻以及过去4周同一天同一时刻的数据作为输入,而LSTM仅使用过去24h的数据进行预测。
图表编号 | XD00117801100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 姚栋方、吴瀛、罗磊、阎帅、武文广、丁宏 |
绘制单位 | 中国南方电网有限责任公司超高压输电公司检修试验中心、中国南方电网有限责任公司超高压输电公司检修试验中心、中国南方电网有限责任公司超高压输电公司检修试验中心、中国南方电网有限责任公司超高压输电公司检修试验中心、南瑞集团(国网电力科学研究院)有限公司、南瑞集团(国网电力科学研究院)有限公司 |
更多格式 | 高清、无水印(增值服务) |