《表1 各模型的区间预测效果》

  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

《基于长短期记忆网络分位数回归的短期风电功率概率密度预测》

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

由图3以及表1可得，在各神经网络分位数回归模型进行概率密度预测时，各模型的大部分实际值均落在置信区间内，区间覆盖率满足预测要求。从区间平均宽度的角度看，本文模型的平均宽度较BPQR-KDE、RBFQR-KDE模型平均减少了14.7%和23.3%；从分位数评分的角度看，本文模型的分位数得分较BPQR-KDE、RBFQR-KDE模型平均降低了约15.7%和22.6%。所提模型的区间宽度最窄，分位数得分最低，其主要原因为LSTMQR模型相对于静态模型BPQR、LSTMQR能应用其内部的记忆结构在不同分位点下持续挖掘时间序列内部的关系，而静态模型只能简单的建立输入变量与输出变量之间的映射关系。LSTMQR-KDE的区间覆盖率稍低于静态模型，这是区间宽度平均变窄的必然结果。