《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》
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。
图表编号 | XD0086107100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.05 |
作者 | 王玥、张宇帆、李昭昱、艾芊、吕天光 |
绘制单位 | 电力传输与功率变换控制教育部重点实验室(上海交通大学)、电力传输与功率变换控制教育部重点实验室(上海交通大学)、电力传输与功率变换控制教育部重点实验室(上海交通大学)、电力传输与功率变换控制教育部重点实验室(上海交通大学)、电力传输与功率变换控制教育部重点实验室(上海交通大学) |
更多格式 | 高清、无水印(增值服务) |