《表1 2 种预测方法预测结果比较》

  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

《基于多层聚类和改进BP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

为验证本文使用的预测算法在短期负荷预测中的效果，将本文算法结果与FCM聚类算法的负荷预测结果进行比较.实际算例中，经过多层聚类算法后的训练数据量为原始训练数据量的3%，而经FCM聚类算法处理的训练数据量为原始训练数据量的10%；多层聚类算法聚类后的训练数据与待预测点的数据之间的平均距离远小于FCM聚类算法聚类后的平均距离.由此可以得出，多层聚类算法数据集是FCM聚类算法训练数据集的1/3，相应训练时间也为1/3，并且数据集与目标数据的平均距离更为接近，既保证了特征的完整性，也消除了距离较远的无效特征.一天48点预测结果见表1、图5.