《表6 各模型负荷预测结果对比》
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。
图表编号 | XD00130411300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.01 |
作者 | 易灵芝、常峰铭、龙谷宗、梁湘湘、马文斌 |
绘制单位 | 湘潭大学信息工程学院“多能协同控制技术”湖南省工程研究中心“风电装备与电能变换”湖南省协同创新中心、湘潭大学信息工程学院“多能协同控制技术”湖南省工程研究中心“风电装备与电能变换”湖南省协同创新中心、南车电机有限公司、南车电机有限公司、南车电机有限公司 |
更多格式 | 高清、无水印(增值服务) |