《表3 算法所用时间：即插即用能量组织日前负荷概率预测方法》

  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

《即插即用能量组织日前负荷概率预测方法》

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

由于对各个集群的分析方法类似，为避免赘述，本文仅采用第2个集群（包含“能量组织”2，3，6，7，10，11）进行分析，采用分位点回归的梯度提升决策树模型（Quantile gradient boosting regression tree，QGBRT）与本文所提方法进行对比，该方法基于python语言中Scikit-Learn[27]软件包。QGBRT是一种机器学习集成模型，其将多个决策树进行组合，从而得到具有较强学习能力的模型，该模型在概率预测方面具有较强的代表性[23]。2种方法pinball损失函数的计算结果如表2所示。从表中可以看出，在所有分位点处，深度LSTM方法与QGBRT方法相比有较为明显的提高，特别地，在置信概率为70%处，深度LSTM的Pinball损失函数与基于QGBRT的方法相比，提高83.45%。因此所提出的方法具有较高的可靠性。此外，2种模型所用时间如表3所示，由于GPU具有并行处理能力，为充分利用计算资源，所有分位点对应的深度LSTM模型均并行进行训练，虽然深度LSTM模型并行训练时间较长，但在测试集上进行预测的时间仅为5.41s，满足实时处理的要求。