Pandemic-Aware Day-Ahead Demand Forecasting Using Ensemble Learning
Notice bibliographique
Résumé
Electricity demand forecast is necessary for power systems’ operation scheduling and management. However, power consumption is uncertain and depends on several factors. Moreover, since the onset of covid-19, the electricity consumption pattern went through significant changes across the globe, which made the forecasting demand more challenging. This is mainly due to the fact that pandemic-driven restrictions changed people’s lifestyles and work activities. This calls for new forecasting algorithms to more effectively handle these conditions. In this paper, ensemble-based machine learning models are utilized for this task. The lockdown temporal policies are added to the feature set in order to make the model capable of correcting itself in pandemic situations and enhance data quality for the forecasting task. Several ensemble-based machine learning models are examined for the short-term country-level demand prediction model. Besides, the quantile random forest regression is implemented for a probabilistic point of view. For case studies, the models are trained for predicting Germany’s country-level demand. The results indicate that ensemble models, especially boosting and bagging-boosting models, are capable of accurate country-level demand forecast. Besides, the majority of these models are robust against missing the pandemic policy data. However, utilizing the pandemic policy data as features increases the forecasting accuracy during the pandemic situation significantly. Furthermore, the probabilistic quantile regression demonstrated high accuracy for the aforementioned case study.
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 | 0,001 |
| 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 ».