《表2 不同季节预测误差的比较Table 2 Comparison of forecasting errors in different seasons》

  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

《基于深度信念网络的短期负荷预测方法》

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

为了充分验证本文方法的有效性和科学性，分别对该地区2016年各个季节的负荷进行了预测，训练样本集由各个待预测日前10个月的负荷数据、天气数据、日期类型数据和电价数据构成。为了突出本文方法的优势，选择BP神经网络、SVM方法和传统DBN方法进行对比。表2为各种方法对4个季节的负荷进行预测时的eMAPE。为了保证客观性，实验结果均为执行20次实验得到的平均值。在考虑温度、光照强度、湿度和峰谷分时电价影响的情况下，本文方法可以更充分地挖掘多个影响因素和负荷值的复杂关系，相应的eMAPE总平均值为2.26%，比其他3种方法预测误差都小。