《表2 不同LSTM网络结构的预测性能》

  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LSTM循环神经网络的短期电力负荷预测》

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

构建的LSTM网络，隐藏层数和每个隐藏层LSTM的数量对负荷预测精度均有影响。以2017年全年每小时历史负荷数据作为验证集，固定历史日期窗口w为7 d，采用枚举法对隐藏层神经元数量进行逐层选取，确定最优网络结构。首先，确定第1层隐藏神经元的最佳数量并固定；然后，确定下一层隐藏层即第2层隐藏层神经元数量的最佳值；依次类推，直到预测精度不再提高为止。不同网络结构下的预测性能如表2所示。对每层神经元的数量进行选取时，依次设置为5～40个（间隔为5个），共8个级别。隐藏层的层数依次设置为1，2，3层。