Short-Term Load Forecasting for Jordan Power System Based on NARX-ELMAN Neural Network and ARMA Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the past few years, there is a vast expansion of the Jordan National Energy Sector. Hence, National Electrical Power Company (NEPCO) sheds more light on load forecasting. It tries to build a rigid bridge between the academic and industrial fields. Subsequently, this work presents a study of short-term load forecasting (STLF) for the Jordanian power system. Three techniques are used: the nonlinear autoregressive exogenous model (NARX) recurrent neural network, the Elman neural network, and the autoregressive moving average (ARMA). These proposed techniques are trained, validated, and tested using the historical record of hourly load data for the whole year 2018, which is obtained from NEPCO. Besides, these techniques show a satisfactory forecasting accuracy and improve the predicted load shape performance of a week ahead (January 1, 2019, to January 7, 2019). Error is reduced based on optimizing the number of hidden layers and the number of neurons. Moreover, the mean absolute percentage errors (MAPEs) are estimated at 5.53%, 3.42%, and 10.28% for NARX, Elman, and ARMA, respectively. Finally, this work is implemented using neural network toolbox and MATLAB code in Mathworks.
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.
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 découle