《表3 ML-ELM泛化能力分析》

  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

《基于多层极限学习机的电力系统频率安全评估方法》

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

为了进一步验证ML-ELM算法的有效性，采用浅层神经网络方法（BP、径向基函数 （RBF）[24]） 对相同的样本集进行训练和测试，并将所得结果的MAPE与含5层隐含层的ML-ELM进行对比分析。由表4可以看出ML-ELM的离线训练时间最短，分别为BP算法（505.35s）的4.6%、RBF算法（120.62s）的19.4%。另一方面，由于ML-ELM的隐含层层数多，其在线评估时间略高于BP算法（0.79s）和RBF算法（0.63s）。ML-ELM算法所得到的3类频率指标的MAPE值均最小、样本安全评估准确率最高，BP算法的MAPE值最大、样本安全评估准确率最低，RBF算法的MAPE值以及样本安全评估准确率介于两者之间。BP和RBF算法所得到fnadir的MAPE值分别是ML-ELM的37倍和12倍；fss的MAPE值分别是ML-ELM的56倍和27倍；RF的MAPE值分别是ML-ELM的14倍和9倍；样本评估准确率远低于ML-ELM。由于含多隐含层的ML-ELM具有强大的非线性映射能力、特征提取能力和泛化能力，能够有效表征复杂函数，因此，相较于浅层神经网络方法（BP和RBF算法），ML-ELM所得结果在精度上具有数量级提升。