Application of Gray-Fuzzy-Markov Chain Method for Day-Ahead Electric Load Forecasting
Notice bibliographique
Résumé
Short-term load forecasting (STLF) plays a decisive role in electric power system operation and planning. Accurate load forecasting not only reduces the generation costs of power systems, but also serves to maximize profit for participants in electricity markets. In recent years, power markets have grown more deregulated and competitive, adding to the complexity and uncertainties of load, and making it more difficult for conventional techniques to accurately forecast the load. To improve the accuracy of load forecasting, this paper suggests a hybrid method, called Gray-Fuzzy-Markov Chain Method (GFMCM), comprising three stages. In the first stage, daily load is forecasted by Gray model, with its training deviations classified, in a second stage, by fuzzy-set theory, and finally, fed into Markov chain model to predict future relative errors that might be supplied by the Gray model. The proposed approach has been verified by the historical data of power consumption in Ontario, PJM and Iranian electricity markets. The obtained forecasts by GFMCM proved to have better prediction properties compared to the other forecasting techniques, such as Gray models, specifically GM(1,1) and GM(1,2), ARIMA time series, wavelet-ARIMA and multi-layer perceptron (MLP) neural network. Streszczenie. W celu poprawy jakości przewidywania zuzycia energii autorzy zaproponowali hybrydową metode GMMCM (Gray-Fuzzy-Markov Chan Method). W pierwszym etapie prognoza obciązen jest prowadzona przy wykorzystaniu modelu Gray, nastepnie stosuje sie metody logiki rozmytej. Bląd prognozowania analizowany jest metodą Markova. (Zastosowanie kombinowanej metody: Gray-Fuzzy-Markov do prognozowania obciązenia sieci elektrycznej)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».