22、深度神经网络与硬件漏洞：电力负荷预测与安全防护

深度神经网络与硬件漏洞：电力负荷预测与安全防护

1. 深度神经网络在短期电力负荷预测中的应用

1.1 误差分布分析

在对三种数据集上的六种模型进行预测误差分析时，通过箱线图展示了各模型的误差情况。结果显示，MLP模型的异常误差最大。对于Tetouan和AEP数据集，MLP模型的箱线图主体低于最小边界，这表明基于MLP的模型在测试集中对负荷值的预测偏低。

1.2 最佳模型与现有方法的比较

• 马来西亚数据集 ：将表现最佳的两个混合模型CNN - LSTM和CNN - GRU与文献中的其他方法进行比较。从表6可以看出，我们的模型在R平方得分上有所提高，且平均绝对百分比误差（MAPE）结果相当。
  | 模型 | MAPE | 上R平方 | 运行时间 |
  | — | — | — | — |
  | ARIMA | 3.56 | 94.19 | 451 |
  | ETS | 8.81 | 90.06 | 380 |
  | 线性回归 | 2.34 | 95.50 | 12 |
  | SVR | 7.63 | 90.40 | 10 |
  | DNN | 3.62 | 95.38 | 199 |
  | LSTM | 3.11 | 97.49 | 903 |
  | LSTM - CNN | 2.43 | 97.49 | 487 |
  | PLC - Net | 2.08 | 98.23 | 92 |
  | CNN - LSTM | 3.20 | 97.99 | 65 |
  | CNN - GRU | 2.61 | 98.