《表1 不同风机的误差分析》

  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PSO-KELM的风功率预测研究》

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

由表1可知，经PSO-KELM计算，RMSE和MAE的指标值最小，RSD的指标值更接近1。说明PSO-KELM模型的误差相对更小，预测精度要好于KELM和SVM。从表1数据变化趋势可知，18号风机的PSO-KELM的RMSE、MAE、RSD相比于KELM分别降低了26.55%、44.8%、6.54%。23号风机的PSO-KELM的RMSE、MAE、RSD相比于KELM分别降低了26.74%、58.1%、9.32%。32号风机的PSO-KELM的RMSE、MAE、RSD相比于KELM分别降低了14.8%、36.2%、2.82%。说明PSO算法对KELM正则化参数C和核函数宽度λ进行优化可以提高KELM模型的预测精度。