《表6 模型最优参数：基于趋势变化分段的电力负荷组合预测方法》
提示：宽带有限、当前游客访问压缩模式
根据上述步骤，求解得到了基于趋势变化分段的电力负荷组合预测方法的数学模型的最优参数，如表6所示。
| 图表编号 | XD00132571400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.03.30 |
| 作者 | 谭风雷、张军、马宏忠 |
| 绘制单位 | 国网江苏省电力有限公司检修分公司、国网江苏省电力有限公司检修分公司、河海大学能源与电气学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 基于CNN的电力负荷预测模型的网络结构参数》2020.09.28
- 《表3 预测结果误差对比：基于VMD和GWO-SVR的电力负荷预测方法》2020.12.01
- 《表3 模型效率对比：基于多尺度卷积神经网络的短期电力负荷预测》2020.11.01
- 《表4 各模型评价指数：基于SSA-XGBoost方法的降水变化趋势预测模型》2020.10.01
- 《表5 评价指标：基于SSA-XGBoost方法的降水变化趋势预测模型》2020.10.01
- 《表1 模型损失值：一种基于LSTM神经网络的电力负荷预测方法》2020.05.25
- 《表6 每日MRE：基于IFOA-GRNN的短期电力负荷预测方法研究》2020.05.01
- 《表2 不同时段回归模型：基于逐日分段气象算法的日前负荷预测》2020.06.15
- 《表6 模型参数计算结果：基于多尺度特征提取的电力客户欠费风险预测》2020.03.28
- 《表2 分类结果：基于数据驱动理念的电力日负荷曲线预测方法研究》2020.01.01
- 《表1 误差对比：基于MEEMD加窗改进方法与GRNN组合的电力负荷预测》2019.12.15
- 《表3 模型MAPE对比：基于深度学习的短期电力负荷预测》2020.01.01
- 《表2 模型输入数据：基于深度学习的短期电力负荷预测》2020.01.01
- 《表1 预测误差数据：基于机器学习的短期电力负荷预测方法研究》2019.12.10
- 《表逐天预测性能指标对比：基于气象综合指数和加权LSSVM的短期电力负荷组合预测》2019.10.15
- 《表1 预测精度准则：基于改进灰色模型的中长期电力负荷预测》2019.10.10
- 《表3 网络各节点系数：一种基于贝叶斯网络的电力负荷峰值预测方法》2019.07.05
- 《表7 组合模型预测值：基于组合预测的长江航道发展趋势研究》2019.04.01
- 《表6 灰色模型法预测：基于组合预测的长江航道发展趋势研究》2019.04.01
- 《表3 电力负荷预测单项预测模型和组合预测模型预测精度比较》2019.03.31