《表5 不同模型的风功率预测效果》
提示：宽带有限、当前游客访问压缩模式
%
为了说明本文算法较基于相似日预测方法更具有效性，针对相同的数据集，采用本文算法和文献[15]算法独立地完成预测工作，结果如表5所示。
| 图表编号 | XD00843200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.10.01 |
| 作者 | 彭文、谢凤昱、张智源 |
| 绘制单位 | 华北电力大学控制与计算机工程学院、华北电力大学控制与计算机工程学院、华北电力大学控制与计算机工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表5 各模型预测结果：基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法》2020.09.28
- 《表6 4个站点基于分布的风功率密度理论值与实际风功率密度及其相对误差》2020.12.25
- 《表3 多分支不同模型高功率密度内燃机性能预测结果》2020.02.15
- 《表5 稳健性检验：减少弃水的风-光-梯级水电站双层优化模型》2020.11.20
- 《表5 不同输入向量下的分布式光伏功率预测》2020.04.30
- 《表3 评价指标：基于Bagging神经网络集成的风功率预测》2020.04.25
- 《表5 不同模型预测效果对比》2020.05.15
- 《表5 质量占比：基于双峰分布的风胁迫雾滴沉积分布模型研究》2020.04.25
- 《表2 1-12月的风资源利用率及每月平均风功率表》2019.12.01
- 《表4 每个季度的不同时段的风功率及利用率的分布表》2019.12.01
- 《表1 不同模型的风电功率预测指标对比》2020.01.10
- 《表5 算法初始参数设置：SKBA-LSSVM短期光伏发电功率预测模型》2019.08.01
- 《表1 BP神经网络法在不同时间长度下的风功率预测误差结果》2019.05.30
- 《表5 两测风塔模拟风速对应的风功率密度比较》2019.04.20
- 《表2 不同风电功率预测方法的效果指标值》2019.02.25
- 《表5 不同允许误差下的预测成功率》2019.03.20
- 《表5 悬浮红细胞AB型不同库存量ARIMA模型预测效果评价》2019.01.28
- 《表1 不同小波的ARMA-LSTM模型光功率预测的RMSE值》2019.01.15
- 《表5 模型预测值与实船试航测定功率偏差》2019.02.25
- 《表5 模型预测效果对比表》2019.10.28