《表3 不同输入向量的预测结果》

  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

《计及电价和Attention机制的LSTM短期负荷预测模型》

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

为了说明电价因素对电力负荷预测具有一定的影响，现将Attention-LSTM模型输入向量的特征因子数做一定调整。CH表示从表1中去除平时电价、谷时电价、峰时电价因素的特征向量，CHP表示在CH的基础上增加了峰时电价的特征向量，CHPV表示在CHP的基础上增加了谷时电价的特征向量，CHPVO表示含有表1所有因素的特征向量。表3为Attention-LSTM模型通过不同输入特征向量所得到的负荷预测结果。从中可以看出，CH作为特征向量时的yMAPE和yMAPE的值均小于CHP、CHPV和CHPVO，预测精度最低，说明考虑电价特征可以提高模型负荷预测的准确度，正向影响负荷。另外，CHP的预测效果低于CHPV，CHP的预测效果低于CHPV，可以表明把电价特征分解更详细能够有效提高模型预测的精度，同时也表明利用表1中所有特征作为输入时，模型能够充分学习数据中的有用信息和规律，预测效果最好。