《表1 实验使用的特征：基于LSTM的超短期光伏发电功率预测》
提示：宽带有限、当前游客访问压缩模式
本次实验使用的数据共包含8 410条光伏发电历史数据，表1列出了其中一条数据的内容，每条数据包含11个代表光伏发电站状态的不同特征的特征值。
| 图表编号 | XD00173393000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.04.25 |
| 作者 | 管军霖、智鑫 |
| 绘制单位 | 桂林电子科技大学、桂林电子科技大学 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 覆盖率实验方案：基于Chaos-EEMD-PFBD分解和GA-BP神经网络的光伏发电功率超短期预测法》2020.12.28
- 《表5 预测误差结果对比：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表4 预测误差结果对比：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表3 预测模型输入数据：基于分时长短期记忆神经网络的光伏发电超短期功率预测》2020.12.10
- 《表2 预测性能对比：基于VMD和双重注意力机制LSTM的短期光伏功率预测》2021.02.10
- 《表1 相关性分析：基于Attention-LSTM的光伏超短期功率预测模型》2021.02.15
- 《表1 纳入研究特征：基于改进DDPG算法的中短期光伏发电功率预测》2020.10.01
- 《表2 各个模型预测结果：基于特征挖掘的GRU-A光伏发电功率预测》2020.05.25
- 《表1 各个模型参数：基于特征挖掘的GRU-A光伏发电功率预测》2020.05.25
- 《表2 模型误差分析：基于相似日的光伏发电系统短期功率预测》2020.02.25
- 《表3 不同模型预测误差：基于VMD和LSTM的超短期风速预测》2020.06.01
- 《表8 预测结果误差对比：基于CNN-LSTM网络模型的风电功率短期预测研究》2020.08.01
- 《表1 聚类中心：基于FCM和CG-DBN的光伏功率短期预测》2019.10.10
- 《表5 算法初始参数设置：SKBA-LSSVM短期光伏发电功率预测模型》2019.08.01
- 《表6 LSSVM参数：SKBA-LSSVM短期光伏发电功率预测模型》2019.08.01
- 《表1 误差分析与评估：基于相似日和小波神经网络的光伏短期功率预测》2019.03.25
- 《表2 预测单元数据：基于改进神经网络的光伏发电功率短期预测方法研究》2019.08.20
- 《表3 多日预测结果比较：基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测》2019.01.10
- 《表2 单日预测结果比较：基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测》2019.01.10
- 《表预测误差指标分析：基于相似日和GA-DBN神经网络的光伏发电短期功率预测》2019.03.15