《表1 模型指标计算结果：计及偏差电量考核机制的人工神经网络售电量预测模型》

  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

《计及偏差电量考核机制的人工神经网络售电量预测模型》

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

不同模型预测2015～2017共36个月售电量的性能指标如表1所示。可得以下结论:（1）本文提出的Bi-LSTM-ALF模型各指标均优于其余模型，RMSE有2.99%～35.17%的降低，MAPE有7.96%～40.26%的降低，USE有2.21%～11.88%的提升，证明了本模型的经济性与准确性；（2）同一算法在不同损失函数下各性能指标不同，整体上ALF各指标均优于其余两种损失函数，证明了本文方法的泛化性。但BP-ALF的RMSE高于BP-MAE，LSTM-ALF的RMSE高于LSTM-MAE，说明ALF在BP、LSTM上对波动较大月度的拟合能力不足，间接说明ALF由于损失权重不对等导致梯度振荡，不适用于较简单神经网络，但以盈利为目的售电公司主要关注指标为USE，就售电公司而言，依然适用。（3）BP-ALF的USE高于LSTM-MAE、LSTM-MSE与Bi-LSTM-MSE。LSTM-ALF的USE高于Bi-LSTM-MAE与BiLSTM-MSE，说明采用本文提出的ALF损失函数能有效提升模型的USE，令简单网络的收益指标表现优于复杂网络。