《表2 不同隐含层层数结果对比》

  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

《基于进化深度学习短期负荷预测的应用研究》

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

在对智能电网电力负荷预测之前，首先要确定基于DBN特征提取预测模型的隐含层层数、迭代训练的次数、各隐含层节点数以及学习率等。目前对于DBN特征提取模型的研究中，基本都是凭借经验值或随机对隐含层的层数以及隐含层的单元数进行选择，本文隐含层层数的取值范围为1～8，并通过逐层验证的方法确定最优参数，以验证深度网络结构对预测效果和耗时的影响。为了获得DBN特征提取最佳预测模型，以2014年1月至2017年12月的数据作为训练样本集，将2018年1月至6月的数据作为测试样本集，并将预测结果运行100次，从运行的平均结果中选择最优的参数进行配置。不同隐含层层数对预测结果的影响如表2所示。