《表4 预测日各模型预测的评价指标》
由表4可知,ANN0相比较于ANN1,MAPE、CV、RMSE分别降低了31.1%、25.1%、25.4%,表明使用相似日样本集作为神经网络的训练样本集对预测准确性有显著改善,这是因为聚类后基于典型样本建立的神经网络针对性更强,局部极小值点更少。ANN0相比较于ANN2,MAPE、CV、RMSE分别降低了29.3%、25.9%、26.2%,表明通过特征参数筛选也可提高预测精度,因为该过程降低了噪声参数对模型训练过程产生的消极影响。ANN0相比较于ANN3,MAPE、CV、RMSE分别降低了39.4%、36.9%、38.1%,表明既不聚类也不进行相关分析的ANN3预测精度最低。综上所述,本文提出的采用聚类分析、相关性理论与神经网络相结合的复合优化模型可以有效地提高医院建筑逐时电负荷的预测精度。
图表编号 | XD0090934200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.25 |
作者 | 盘承巍、王健、谢孟晓 |
绘制单位 | 同济大学机械与能源工程学院 |
更多格式 | 高清、无水印(增值服务) |