Short term electric load forecasting for British Columbia, Canada: an exploration of the use of numerical weather prediction data as a predictor in an artificial neural network
Notice bibliographique
Résumé
Short term load forecasting (STLF) is used by electric utility companies in their daily operations to match generation with anticipated load. Load forecasting is challenging because electricity demand is dependent on human behaviour and weather. Temperature is the weather variable most commonly used as input to STLF models. The largest electric utility in British Columbia (BC), Canada, BC Hydro, uses Vancouver temperature data as the only input to forecast load for the whole province. To better account for weather patterns across British Columbia, this research explores the use of gridded numerical weather prediction (NWP) data in multi-layer perceptron (MLP) artificial neural network (ANN) short-term load forecast models. Seven experiments are run, that differ by the source of input weather data or number of hidden layers, as follows: (1) point temperature data for Vancouver, mimicking BC Hydro’s operational model; (2) gridded temperature data for BC; (3) gridded temperature, humidity, precipitation, precipitable water, snow depth, and wind speed data for BC; (4) point temperature data for five major BC load centres: Vancouver, Victoria, Abbotsford, Kelowna, Prince George; (5) as in experiment 1, but with a two hidden layer MLP, rather than one; (6) as in experiment 2, but with a two hidden layer MLP; and (7) an ensemble method using weather model ensemble member temperature point forecasts for Vancouver. In all experiments, non-weather input variables including (a) day of the week, (b) hour of the day, (c) month, and (d) previous load values are also used. Results for both hour-ahead and 8-day forecasts show that the use of NWP data does not improve load forecast accuracy, but ensemble forecasts do. Of all seven experiments, an ensemble model (7) is the best, closely followed by a model using Vancouver point temperature data with two hidden layers (5). In both cases where two hidden layers are used in the ANN rather than one, model performance improves.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».