《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》
提示：宽带有限、当前游客访问压缩模式
预测误差用模型损失值（真实值与预测值的误差均方差）表示，实验中将训练数据输入到网络中进行3 000次迭代，随着迭代次数的增加可以得到不同模型的损失值（见图8、表1）。
| 图表编号 | XD00172323000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.05.25 |
| 作者 | 王永志、刘博、李钰 |
| 绘制单位 | 吉林大学仪器科学与电气工程学院、吉林大学仪器科学与电气工程学院、吉林大学仪器科学与电气工程学院 |
| 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2 多步预测结果：一种Dual-LSTM混合模型的产线设备状态预测方法与应用》2020.12.01
- 《表1 单步预测结果：一种Dual-LSTM混合模型的产线设备状态预测方法与应用》2020.12.01
- 《表1 测试结果性能对比：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1 各特征选择权值：新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测》2021.02.10
- 《表1 语言决策矩阵：一种基于DCNN-LSTM混合模型的RUL预测方法》2020.12.25
- 《表2 算法适应度值评价：基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究》2020.03.25
- 《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》2020.03.30
- 《表1 模型输入参数：基于LSTM-RNN的配电变压器负荷预测模型研究》2020.01.15
- 《表4 实例辨识结果：一种基于LSTM模型的电力负荷辨识方法》2019.12.10
- 《表3 负荷预测结果对比：基于最大偏差相似性准则的BP神经网络短期电力负荷预测算法》2019.11.01
- 《表2 负荷预测数据比较：基于GA-BP神经网络的电力系统负荷预测研究》2019.10.10
- 《表4 24h预测误差：LSTM在宜昌短期电力负荷预测中的试验应用》2019.09.01
- 《表1 输入因素汇总：LSTM在宜昌短期电力负荷预测中的试验应用》2019.09.01
- 《表1 分类结果说明：基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用》2019.06.24
- 《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1 参数代码和水平：基于进化神经网络的短期电力负荷预测研究》2019.06.10
- 《表1 模型预测性能：基于门控循环单元网络与模型融合的负荷聚合体预测方法》2019.01.10
- 《表A1模型预测性能：基于门控循环单元网络与模型融合的负荷聚合体预测方法》2019.01.10