《表2 A、B地区某天的预测对比结果》
本系列图表出处文件名:随高清版一同展现
《基于膜聚类的改进极限学习机在短期负荷预测中的应用》
%
运用聚类后得到的样本点作为本文所提方法的输入样本,分别运用基于模糊膜聚类算法的改进极限学习机(MPF-PELM)、基于改进模糊聚类算法的改进极限学习机(PF-PELM)、基于模糊聚类算法的极限学习机(F-PELM)、改进极限学习机(PELM)、极限学习机(ELM)、最小二乘支持向量机(LSSVM)和BP神经网络预测A、B地区2017年3月1日24个时刻的负荷,以一天的平均相对百分比误差(MMAPE)作为误差指标进行评判,多次预测仿真计算预测日的MMAPE值并求其均值见表2。由表2可知:(1)A地区的ELM的预测误差均低于BP和LSSVM,对比BP神经网络,运用ELM和PELM进行预测时,误差分别降低21.46%、44.50%,说明改进极限学习机(PELM)方法有效。引入相似性概念后,运用F-PELM、PF-PELM、MPF-PELM进行预测时,与只用PELM预测结果相比,预测误差分别降低37.60%、51.01%、76.04%,说明运用模糊膜聚类与改进极限学习机的组合预测方法进一步提高了预测准确性。(2)B地区的ELM的预测误差也低于LSSVM和BP神经网络,说明ELM的优越性。对比BP神经网络,运用ELM和PELM进行预测时,误差分别降低5.00%、9.16%,同样说明运用改进极限学习机(PELM)有利于提高负荷预测精度。采用F-PELM、PF-PELM、MPF-PELM预测的结果与只用PELM预测结果相比,预测误差分别降低了3.10%、7.10%、22.47%。其中,MPF-PELM的预测误差最低,说明MPF-PELM方法的普适性。
图表编号 | XD00122608100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.25 |
作者 | 杨云莹、王军、彭宏、侯萱、李佳龙 |
绘制单位 | 西华大学电气与电子信息学院、西华大学电气与电子信息学院、西华大学计算机与软件工程学院、西华大学电气与电子信息学院、西华大学电气与电子信息学院 |
更多格式 | 高清、无水印(增值服务) |