Using Prophet Algorithm for Pattern Recognition and Short Term Forecasting of Load Demand Based on Seasonality and Exogenous Features
Notice bibliographique
Résumé
As smart meters have proliferated in recent years, electrical power companies are dealing with a large volume of data, known as Big Data. Consistent with this issue, data science techniques are necessary to extract the patterns of consumption and forecast load at a specific area. Short-term load forecasting (STLF) models are crucial for electric utilities and play a vital role in generation planning, system operation, system security (false data detection), energy trading (buying/purchasing), reconfiguration, and contingency analysis. Nevertheless, electric consumption forecasting is challenging due to uncertainty incorporated in consumers' behavior. In this paper, we propose a comprehensive two-stage STLF method based on the Prophet Algorithm (PA). In the first stage and after data mining, load consumption patterns are extracted based on trend and seasonality features (e.g., spring, summer, autumn, winter, daily, weekly, etc.) along with holiday effects. Also, to make the model more robust, weather and lag data are added as an exogenous regressors. In the second step the mean absolute percentage error (MAPE) is defined as an objective function to find hyper parameters of the PA. The optimal hyper parameters maximize the accuracy of the fitted model and result in an appropriate prediction based on the historical data. To show the performance of the proposed method Commonwealth Edison Company (CornEd., Northern Illinois, PJM RTO) data set including load and weather data is used. Three case studies are investigated to predict day-ahead load profiles employing different PA hyper parameters. The Simulation results developed in Python programing language reveal that different load patterns can be extracted by this method. Furthermore, different hyper setting results in distinct forecasting while one case can trace light load hours, the other one can follow peak load hours, more accurately. For all of the case studies, the next 24-hour load can be forecasted within an acceptable error range (less than 3%) within the confidence interval.
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 ».