《表3 不同模型预测平均误差Tab.3 Prediction errors of different models》
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
《考虑复杂关联关系深度挖掘的变压器状态参量预测方法》
%
其中AR模型中,历史油温数据为非平稳序列,采用一阶差分运算将油温序列平稳化处理[26],如图6所示。经验证,对未来60天内的数据进行预测,因步长过大,AR模型预测误差较大,均超过50%。RBFNN模型中,输入层、隐藏层和输出层神经元结构为33-70-60,学习速率为0.001,循环迭代最大周期为1500,采用随机梯度下降和反向传播方法对网络进行训练学习。SVR模型中,核函数选择用径向基函数时误差最小。通过交叉验证方法,惩罚系数为10,核函数系数为0.1,损失距离度量为0.1,模型拟合情况及支持向量数量合理。多参量GM模型中,顶层油温序列数据为母序列,其他序列数据为子序列,依次计算各子序列与母序列之间的灰关联度。序列自身的关联度为1,通常灰关联度≥0.5,即认为母、子序列有较强关联性[12]。经计算,油中溶解乙炔浓度、平均气温和负荷电流与顶层油温的灰关联度大于0.5,有较强关联关系,预测模型确定为多参量GM(1,4)形式。传统模型与GLSTM模型对未来60天内的顶层油温预测结果如表3所示。
图表编号 | XD0047163600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.20 |
作者 | 代杰杰、宋辉、盛戈皞、韩璐岭、江秀臣、王健一、陈玉峰 |
绘制单位 | 上海交通大学电气工程系、上海交通大学电气工程系、上海交通大学电气工程系、上海交通大学电气工程系、上海交通大学电气工程系、中国电力科学研究院、国网山东省电力公司电力科学研究院 |
更多格式 | 高清、无水印(增值服务) |
查看“表3 不同模型预测平均误差Tab.3 Prediction errors of different models”的人还看了
- 表1 不同的训练长度进行预测的平均误差精度对比Tab.1 Comparison of average error precision for prediction with different training lengths