Bottom-Up Load Forecasting With Markov-Based Error Reduction Method for Aggregated Domestic Electric Water Heaters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Domestic electric water heaters (DEWHs) can provide operational flexibility for load control due to their energy storage capacity. Load forecasting for aggregated DEWHs is important for providing information of baseline load and controlling electricity demand profile without negative impact to the normal end use. Advanced metering infrastructures nowadays provide more possibilities to further enhance forecasting with bottom-up method. This article proposes a bottom-up forecasting with Markov-based error reduction method to predict power consumption of aggregated DEWHs for multiple forecast horizons. DEWHs are randomly divided into small aggregations, whose power consumption is forecasted by independent forecast engines. In this paper, the engines are K-means and wavelet decomposition-based neural networks. After summing all forecasting of small aggregations up, a new Markov-based error reduction method is proposed to extract features in residuals and mitigate forecasting error accumulation introduced by the summation, providing opportunities to further improve forecasting accuracy for the total DEWH load. Differing from traditional Markov-based error reduction, two new compensation parameters (compensation coefficient, and compensation threshold) are proposed. They are determined by using particle swarm optimization algorithm. Experiments on real and simulated DEWH loads verified the effectiveness of the proposed forecasting method. The proposed method improved the forecast accuracy over selected benchmark algorithms by about 20% to 80%, according to four performance metrics: mean absolute error, mean absolute percentage error, root-mean-square error, normalized form RMSE. The aggregation effects on performance were also analyzed in theory and tested with simulated DEWHs, providing a good indication of the forecast dependence on the aggregation size.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle