《表2 ELIA不同算法爬坡指标对比》

  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

《基于卷积神经网络特征提取的风电功率爬坡预测》

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

本文选取了4个季度验证模型对爬坡的提取能力，并与BPNN，ENN，CNN，LSTM以及包含AM的神经网络的爬坡预测能力作对比，正确率、漏报率、误报率以及错报率[29]见表2。从表2中可以看到本文模型的错报率均小于等于0.1%，对比模型的错报率大部分都在0.1%之上，且模型的漏报率均在2%以下，误报率均在5%以下。和单个模型的爬坡预测相比，CNN-LSTM-AM模型有效减少了单个模型爬坡预测的错报率，且第3季度和第4季度的准确率均有所提升，其中第4季度相比CNN，LSTM，AM爬坡预测正确率分别提升了8.2%，5.7%，5.6%。综合表1和表2可以看出，虽然第1，2季度CNN-LSTM-AM模型爬坡预测正确率有所下降，但第1季度最大下降不超过3.6%，第2季度不超过1%，而且对于点预测的误差，CNN-LSTM-AM模型4个季度的MAPE均小于单个模型点预测的MAPE，所以从综合的角度来看，CNN-LSTM-AM组合模型的性能优于单个模型的性能。