《表3 两种算法的指标对比》

  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PCA与改进BP神经网络相结合的电网中长期负荷预测》

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

在相同的三层网络结构和数据样本下，分别用标准BP网络和PCA与改进BP网络结合的算法来预测济源市2018年7月的全社会系统负荷，预测的指标对比如表3所示。由表3可以看出，基于PCA和改进BP神经网络相结合的模型运行时间仅为558秒，由于在数据处理阶段PCA有效地降低了电力负荷预测数据的空间维数，消除了各种影响因素的冗余、共线性信息，只保留了原始变量中的主要成分，因而极大提高了网络的训练时间，运算时间比标准BP网络提高了3.3倍，比CAR模型提高了2.3倍，比ARIMA模型提高了1.8倍。误差反向传播阶段引入的动量项和陡度因子，使误差函数能够及时脱离饱和区，避免陷入局部最小值，从而提高了预测精度，平均误差由5.44%降低至1.21%，降低了4.5倍，与CAR模型相比降低8.1倍，与ARIMA模型相比降低了9.4倍。由图3和图4对比可以看出，基于PCA和改进BP神经网络模型的预测数据与实际电力负荷数据的整体拟合度要高于标准BP网络的预测值。所以综上所述，我们可以判定本文中提到的算法整体预测效果要明显优于标准的BP神经网络。