《表3 模型MAPE对比：基于深度学习的短期电力负荷预测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的短期电力负荷预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（%）

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。