Short-Term Load Forecasting of Microgrid via Hybrid Support Vector Regression and Long Short-Term Memory Algorithms
Notice bibliographique
Résumé
Short-Term Load Forecasting (STLF) is the most appropriate type of forecasting for both electricity consumers and generators. In this paper, STLF in a Microgrid (MG) is performed via the hybrid applications of machine learning. The proposed model is a modified Support Vector Regression (SVR) and Long Short-Term Memory (LSTM) called SVR-LSTM. In order to forecast the load, the proposed method is applied to the data related to a rural MG in Africa. Factors influencing the MG load, such as various household types and commercial entities, are selected as input variables and load profiles as target variables. Identifying the behavioral patterns of input variables as well as modeling their behavior in short-term periods of time are the major capabilities of the hybrid SVR-LSTM model. To present the efficiency of the suggested method, the conventional SVR and LSTM models are also applied to the used data. The results of the load forecasts by each network are evaluated using various statistical performance metrics. The obtained results show that the SVR-LSTM model with the highest correlation coefficient, i.e., 0.9901, is able to provide better results than SVR and LSTM, which have the values of 0.9770 and 0.9809, respectively. Finally, the results are compared with the results of other studies in this field, which continued to emphasize the superiority of the SVR-LSTM model.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».