《表6 3种模型多步预测误差》

  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

《1种改进长短期记忆神经网络的风电功率预测》

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

由表5可知:DNN对分量IMF1～4预测效果更好，Bi LSTM对分量IMF5～15预测效果更好．因此，为了更好地实现风电功率预测，采用将DNN和Bi LSTM相结合的方式进行预测，对分量IMF1～4建立DNN滚动多步预测模型，对分量IMF5～15建立Bi LSTM滚动多步预测模型．对于不同超参数，神经网络表现出的拟合能力与准确率都不尽相同，因此，要选择更优的超参数，如学习率选择10-3的准确率要优于10-2；第1层网络的神经元选择64个节点可以在充分提取特征的同时不影响训练速度，而选择128个节点会造成网络过拟合．为了评估VMD-DNN-Bi LSTM预测模型的预测性能，将其与VMD-DNN及VMD-Bi LSTM模型进行对比，3种模型单步预测结果见图4，多步预测误差结果见表6.