《表3 算法测试结果：基于深度置信网络的用电负荷分析方法研究》
提示：宽带有限、当前游客访问压缩模式
图5给出了部分的实验结果。该图包含了实际的用电负荷曲线与两个模型预测的用电负荷曲线。表3给出了算法的测试结果，测试的指标为实际负荷曲线与预测曲线间的相对误差。
| 图表编号 | XD00196074200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.20 |
| 作者 | 左松林、梁晓伟、张靖 |
| 绘制单位 | 国网安徽省电力有限公司营销服务中心、国网安徽省电力有限公司营销服务中心、国网安徽省电力有限公司信息通信分公司 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同算法间的比较：基于深度多步时空神经网络的电动汽车负荷时空动态负荷预测》2020.08.01
- 《表2 模型预测误差：基于深度置信网络的互联网流量预测方法》2020.10.15
- 《表3 测试集结果：基于深度学习的加密网络流量识别方法研究》2021.01.10
- 《表1 实验废水水质：基于人群搜索算法的电网短期用电负荷预测研究》2020.12.25
- 《表7 样品检测结果：基于深度置信网络的粮仓储粮数量检测方法》2020.10.01
- 《表6 非金属夹杂物：基于深度置信网络的粮仓储粮数量检测方法》2020.10.01
- 《表3 故障诊断结果：基于深度置信网络的双馈风机变换器开路故障诊断》2021.01.28
- 《表2 DBN网络结构：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《表1 输入元数据结构：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《表3 算法性能对比：基于定位置信度和区域全卷积网络的火焰检测方法》2020.10.25
- 《表1 样本基本特征：基于卷积深度置信网络的配电网故障分类方法》2019.11.10
- 《表3 对比算法测试结果：基于改进深度卷积生成对抗网络的路面指示标志识别方法》2020.06.28
- 《表1 用电器谐波含量：基于稳态波形分解与神经网络的负荷识别方法》2020.03.21
- 《表3 测试结果：基于深度神经网络的高校舆情危机预警研究》2020.08.20
- 《表2 分类结果：基于改进深度置信网络的电力系统暂态稳定评估研究》2020.03.20
- 《表1 分类结果准确率：基于深度置信网络的多特征融合音乐分类算法》2020.02.20
- 《表3 时间窗口选取结果：基于小波深度置信网络的风电爬坡预测方法》2019.11.28
- 《表2 分类结果比较：基于深度置信网络的心电信号分类研究》2019.09.05
- 《表1 分类混淆矩阵：基于深度置信网络的心电信号分类研究》2019.09.05
- 《表1 优化算法参数表：基于深度置信网络的行星齿轮箱振动特征提取》2019.09.01