A Hybrid Method of Least Square Support Vector Machine and Bacterial Foraging Optimization Algorithm for Medium Term Electricity Price Forecasting
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
Price prediction is important to market members in deregulated electricity environment to provide a better maintenance scheduling, developing investment, medium term planning, as well as decision-making. However, forecasting electricity price is a challenging task due to the volatility of price series with unexpected price spikes at any point of series. In addition, medium term forecast is more challenging than short-term price forecast, due to limited Abstract: Predicting electricity price has now become an important task for planning and maintenance of power system. In medium term forecast, electricity price can be predicted for several weeks ahead up to a year or few months ahead. It is useful for resources reallocation where the market players have to manage the price risk on the expected market scenario. However, researches on medium term price forecast have also exhibit low forecast accuracy. This is due to the limited historical data for training and testing purposes. Therefore, an optimization technique of Bacterial Foraging Optimization Algorithm (BFOA) for Least Square Support Vector Machine (LSSVM) was developed in this study to provide an accurate electricity price forecast with optimized LSSVM parameters and input features. So far, no literature has been found on feature and parameter selections using the LSSVM-BFOA method for medium term price prediction. The model was examined on the Ontario power market; which is reported as among the most volatile market worldwide. Monthly average of Hourly Ontario Electricity Price (HOEP) for the past 12 months and month index are selected as the input features. The developed LSSVM-BFOA shows higher forecast accuracy with lower complexity than the existing models.
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 | 0,000 |
| 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 | 0,000 |
| 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