复杂性
研究文章

基于混合深度学习网络光伏发电预测

表4

提出了模型的比较分析与现有不同深度学习模型。这里,DKASC-AS-1A DKASC-AS-1B DKASC-AS-2Eco, DKASC-Yulara-SITE-3A代表光伏发电数据集。粗体文本显示实验结果所提出的模型在一小时之前光伏功率预测。
数据集 模型 RMSE 均方误差 美 MBE
DKASC-AS-1A [67年] 决策树 0.4531 0.2053 0.2484 0.0684
SVR 0.4309 0.1857 0.2373 0.0463
LSTM 0.3118 0.0972 0.1578 −0.0283
格勒乌 0.3004 0.0902 0.144 0.0322
CNN-LSTM 0.2873 0.0825 0.117 −0.0054
CNN-GRU 0.2606 0.0679 0.1535 0.082
LSTM-CNN 0.2239 0.0501 0.1485 −0.1472
GRU-CNN 0.1468 0.0216 0.0742 0.0171
DKASC-AS-1B [68年] 决策树 0.5344 0.2856 0.3365 −0.0824
SVR 0.5087 0.2588 0.303 0.0709
LSTM 0.3949 0.1559 0.2219 0.0287
格勒乌 0.389 0.1514 0.2064 0.0089
CNN-LSTM 0.2776 0.0771 0.1531 0.0172
CNN-GRU 0.262 0.0686 0.1364 −0.0318
LSTM-CNN 0.2496 0.0623 0.208 −0.187
GRU-CNN 0.1727 0.0298 0.0923 0.0235
DKASC-AS-2Eco [69年] 决策树 0.4911 0.2412 0.1909 0.0709
SVR 0.456 0.2079 0.2246 0.0187
LSTM 0.3167 0.1003 0.157 −0.0158
格勒乌 0.3302 0.109 0.1726 −0.0176
CNN-LSTM 0.2959 0.0876 0.1449 −0.0143
CNN-GRU 0.2801 0.0784 0.1467 0.0132
LSTM-CNN 0.2274 0.0517 0.1599 −0.0155
GRU-CNN 0.1646 0.0271 0.1157 −0.0641
DKASC-Yulara-SITE-3A [70年] 决策树 0.416 0.173 0.2566 0.0159
SVR 0.4966 0.2466 0.2443 −0.0122
LSTM 0.3627 0.1315 0.1735 0.0561
格勒乌 0.3864 0.1493 0.2368 −0.0013
CNN-LSTM 0.3056 0.0934 0.1388 −0.0153
CNN-GRU 0.3063 0.0938 0.1506 0.0354
LSTM-CNN 0.2465 0.0608 0.155 0.0919
GRU-CNN 0.1715 0.0294 0.1126 0.0099