《表6 各模型负荷预测结果对比》

  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

为了验证EDL特征提取预测模型的适应性，对2016年（以2014年到2015年的负荷数据作为训练样本集）和2017年进行年预测（以2014年到2016年的负荷数据作为训练样本集），各模型分别运行100次，其定量评价结果如表6所示，从两年的预测结果平均值来看，DBN相对于BP、ARIMA以及SVM预测精度均有不同程度的提高，MAPE指标分别提高了47.24%、40.71%和26.58%。EDL相对于BP、ARIMA以及SVM预测模型MAPE指标分别提高了59.06%、53.98%和43.01%，而EDL相对于DBN模型其MAPE指标提高了22.39%。综合分析，虽然进化深度学习特征提取预测模型耗时较长，但获得了较好的预测精度。