Correlation based Convolutional Recurrent Network for Load Forecasting
Notice bibliographique
Résumé
The safe and economical operation of a power grid is not possible without knowing the future load. For this reason, the first step in terms of productivity and proper management of a system will be to predict the electric load in the future. In this paper, the features that exist in the history of electric load consumption are examined and they are used as a guide for designing the proposed method. We try to predict short-term electric load by extracting the characteristics of the electric load history using deep neural networks. Long Short Term Memory (LSTM), are able to hold short and long-term memory for extracting relationships between the load values from time series. On the other hand, convolution neural networks are capable of automatically learning features and can directly generate a vector for prediction. The Correlation based Convolution Recurrent Network (CCRN) which is proposed in this paper calculate the autocorrelation coefficients of the load series and obtain an quasi-periodic of hourly loads with the highest correlations. Then, by using this quasi-periodic, the load series is converted into a two-dimensional matrix (image) and the two-dimensional convolutional neural networks is used to extract the load features. Finally, the load time sequence information is extracted using the LSTM network. Experimental results on both the Toronto and ISO-NE datasets show reduced prediction error as well as reduced training time compared with LSTM networks.
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 ».