《表2 各预测模型实验结果对比》

  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

《基于改进长短期记忆神经网络的短期负荷预测》

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

从图5和图8中可以看出，四种预测方法经过历时数据的训练后，都能够准确预测未来一段时间内的负荷变化。特别是WT-LSTM和LSTM神经网络，其能够很好的跟踪负荷变化，预测值和真实值之间误差很小。说明神经网络方法能够利用历时负荷数据间的数据关联性，通过训练找到负荷数据变化的内在规律和趋势，能够准确预测方法。对比传统LSTM神经网络，WT-LSTM神经网络的精度最高，通过对历时负荷数据的分解，将负荷量测中的噪声予以剔除，使得负荷值更加真实，由此进一步提高负荷预测精度。表2给出了不同方法之间的预测误差，其中WT-LSTM预测模型的MAPE均值0.89%，最高误差不超过7.01%，相对于时间序列、BP模型分别提高了2.42%、0.51%。