《表1 RBF,PNN,GRNN算法性能对比》
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
《面向高比例新能源接入的配电网电压时空分布感知方法》
通过对比4种算法的误差与训练实现发现,在大规模配电网中输入输出变量较多时,虽然RBF神经网络训练平均误差较小,但由于其需要计算每一个输入向量与权值向量的距离,收敛速度慢,训练时间过长。PNN与GRNN均依靠概率密度函数估计方法进行训练,收敛速度较快,但PNN会忽略互相关系数较小的信息,因而造成预测误差较大。综上,本文提出的KDE-GRNN算法具有预测精度高、收敛速度快的优势。
图表编号 | XD00187013500 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.25 |
作者 | 张天策、王剑晓、李庚银、周明、王宣元、刘蓁 |
绘制单位 | 新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、新能源电力系统国家重点实验室(华北电力大学)、国网冀北电力有限公司、国网冀北电力有限公司 |
更多格式 | 高清、无水印(增值服务) |