A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting
Notice bibliographique
Résumé
Abstract Short‐term load forecasting is essential to power systems management. However, most existing forecasting methods fail to fully consider how to rationally integrate the intrinsic time‐related dimensions of electric load data and the decomposition methods into machine learning models so that their prediction accuracy and robustness still have much room for improvement. To solve this problem, this paper proposes a decomposition‐based multi‐time dimension long short‐term memory (DB‐MTD‐LSTM) model for short‐term electric load forecasting (STELF). In DB‐MTD‐LSTM, empirical mode decomposition with adaptive noise (CEEMDAN) is first introduced to smooth non‐linear non‐stationary electric load data and constrain the modal aliasing or noise of decomposed electric load data in the traditional decomposed method. A joint relevant time dimensions method (JRTDM) is then developed using autocorrelation analysis to rationally extract the temporal characteristics of decomposed data in multiple time dimensions. An improved LSTM called MTD‐LSTM is developed by combining JRTDM with LSTM, which can effectively apply multi‐dimensional time characteristics of the decomposed load to improve the predictive accuracy and robustness. Several datasets from Australia and China are performed to check the predictive performance of DB‐MTD‐LSTM. Experimental results verify that DB‐MTD‐LSTM has better predictive accuracy and satisfactory robustness compared with state‐of‐the‐art and conventional predictive models.
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 | 0,001 | 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 ».