LSTM-based Multi-Step SOC Forecasting of Battery Energy Storage in Grid Ancillary Services
Notice bibliographique
Résumé
Battery energy storage (BES) participation in the grid ancillary services markets is increasing rapidly in recent years. To facilitate optimal participation, the need for accurate BES state-of-charge (SOC) forecasting is indispensable. In grid ancillary services, the development of SOC forecasting models should deal with uncertainties and corresponding stochastic processes that determine the BES SOC periodically. Several traditional and state-of-the-art machine learning (ML) techniques, ranging from decision-tree to deep learning methods, were used to solve this problem. However, developing a multi-step SOC forecasting model remains a challenge in this subject that is essential for optimal BES economic dispatch and unit commitment. Taking advantage of the Long short-term memory (LSTM) deep learning and its variants techniques which are proven to be a robust method for predicting sequentially dependent data in the time-series domain, this paper proposes LSTM-based multi-step SOC forecasting for BES operating in frequency regulation. Various developed models, i.e., Vanilla-LSTM, Vanilla-Gated Recurrent Units (GRU), Bidirectional-LSTM (Bi-LSTM), and Bi-GRU, are evaluated using real-world datasets. The evaluation results show that the developed models outperform the existing methods in terms of root mean square error (RMSE) and mean absolute error (MAE) evaluation metrics.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».