《表2 ELIA不同算法爬坡指标对比》
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。
图表编号 | XD00192203900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 景惠甜、韩丽、高志宇 |
绘制单位 | 中国矿业大学电气与动力工程学院、中国矿业大学电气与动力工程学院、中国矿业大学电气与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |