Internet of Energy: Ensemble Learning through Multilevel Stacking for Load Forecasting
Notice bibliographique
Résumé
In the Internet of Energy (IoE) ecosystem, an accurate electricity load forecasting is critically important to all the participants in the smart grids, such as manufacturers, utility companies, renewable energy generators, consumers and prosumers. It is a vital component for a stable and reliable operation of the electricity grid, effective demand side management, and the success of energy efficiency programs. We present a novel ensemble learning mechanism through multi-level stacking for the load forecasting. Our proposed architecture has four layers utilizing strong learners at each level (base and meta) with an input features set, at all the levels, that includes initial (original) variables/features from the dataset along with meta-features extracted during stacking. We use computational intelligence (CI) techniques such as Random Forest, Cubist, k-Nearest Neighbors (KNN), eXtreme Gradient Boosting (XGBoost), Support Vector Machine Regression (SVM-R), Multivariate Adaptive Regression Splines (MARS), and Principal Component Regression (PCR) to train participating prediction models at various levels of stacking. The results show significant improvement in performance with Root Mean Square Error (RMSE) reduced by 36.81%, a 38.82% reduction in Mean Absolute Error(MAE), and R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> increased from 0.787 to 0.923 when compared to single forecasting 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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».