《表3 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

为了进一步说明本文提出方法的准确性和鲁棒性，本文以波动性更大的居民办公楼负荷为例进行算例分析。负荷数据为2018年某办公楼近一周内的用电负荷。由于办公楼数据的随机性和波动性较大，使得在量测过程中噪声的影响比较明显，从图9中可以看出，办公楼负荷波动特别明显，其掺杂的噪声也特别多。利用小波分析能够有效的消除噪声的影响，从而提高神经网络预测方法的准确性和鲁棒性。图9和图10分别是传统LSTM模型和WT-LSTM模型预测结果。从图9、10可以看出WT-LSTM模型预测方法的预测值更接近真实值。同时，表3给出了几种方法的误差的定量对比，WT-LSTM预测模型误差相对于BP模型、时间序列、LSTM模型误差更小，预测准确率可达到98.96%。通过小波分析能够有效去除负荷噪声，由此进一步提高了预测的准确性和可靠性，同时也说明针对不同类型的负荷数据，本文提出方法都能够获得较好的预测精度，也说明本文方法具有更好的鲁棒性。