Modeling of Short-Term Electricity Demand and Comparison of Machine Learning Approaches for Load Forecasting
Notice bibliographique
Résumé
Electricity is a special commodity that has to be kept available at all times. In fact, power plants need to have accurate forecast of electricity demand in order to provide enough electricity for customers. Final customers are able to establish their own power plants to decrease their dependency on the grid. For example rooftop photovoltaic panels are getting more popular among residential customers. It seems that meteorological variables such as solar irradiance play an important role in load forecasting. Moreover, temperature is also a main determinant of electricity demand. In this paper, we propose a model for short-term load forecasting which consists of hourly weather data (including seasonal variation as well) and historical load data. Machine learning algorithms such as support vector regression (SVR), least absolute shrinkage and selection operator (LASSO) regression and a multilayer neural network (NN) are used for short-term load forecasting. In order to improve the forecast accuracy (smaller mean absolute error) of NN, we propose a dual phase forecasting method. In the first phase, data driven double exponential smoothing (DDDES) is used to generate electricity load forecasts. In the second phase, the results of first phase forecasting are fed into a multilayer NN to have more accurate forecasts of electricity demand. It is shown that NN outperforms the other two methods. Our data analysis shows a significant improvement in terms of performance where maximum mean absolute error (MAE) decreases from 367.26 to 115.30.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».