MétaCan
Menu
Retour à la cohorte
Enregistrement W2932672099 · doi:10.1109/cjece.2018.2876820

A Probabilistic Approach Considering Contingency Parameters for Peak Load Demand Forecasting

2018· article· en· W2932672099 sur OpenAlexaffvenue
Md Nasmus Sakib Khan Shabbir, Mohammad Zawad Ali, Xiaodong Liang, Muhammad Sifatul Alam Chowdhury

Notice bibliographique

RevueCanadian Journal of Electrical and Computer Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Load and Power Forecasting
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésProbabilistic forecastingProbabilistic logicContingencyContingency tableSensitivity (control systems)Demand forecastingMonte Carlo methodComputer scienceBayesian probabilityElectric power systemProbability distributionEconometricsMathematical optimizationPower (physics)StatisticsOperations researchEngineeringMathematicsMachine learningArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Accurate load forecasting is a critical step for power system generation planning. Contingency parameters of the system and their dynamic characteristics should be taken into account for the purpose of load forecasting. In this paper, a probabilistic load forecasting algorithm considering contingency parameters is developed for the peak load forecasting. Using the chi-square distribution test and historical data, the probabilistic distribution of contingency parameters can be determined. In a case study, the Monte Carlo simulation is run to forecast load demand and generation scenarios of Bangladesh based on the developed adaptive algorithm and the calculated probabilistic distribution. The influence of contingency parameters is evaluated using a Bayesian network in a sensitivity study.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,487
Score d'incertitude au seuil0,728

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,176
Écart entre enseignants0,160 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Electrical and Computer EngineeringMême sujetEnergy Load and Power ForecastingTravaux en français237 207