Long Term Electricity Load Forecast Based on Machine Learning for Cameroon’s Power System
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
A reliable power supply has long been identified as an important economic growth parameter. Electricity load forecasts predict the future behavior of the electricity load. Carrying out a forecast is important for real-time dispatching of power, grid maintenance scheduling, grid expansion planning, and generation planning depending on the forecasting horizon. Most of the methods used in long-term load forecasting are regressions and are limited to predicting peak loads of a yearly or monthly resolution with low accuracy. In this paper, we propose a method based on long short-term memory-recurrent neural networks (LSTM-RNN) cells with relations between identified influential econometric load-driving parameters which includes: the Gross Domestic Product (GDP), Population (H), and past Electric Load Data. To the best of our knowledge, the use of the GDP and H as two additional independent variables in load forecast modelling using machine learning techniques is a novelty in Cameroon. A comparison was performed between a linear regression (LR)-based long-term load forecast model (a model currently used by the Transmission System Operator of Cameroon) and LSTM-RNNs model constructed. The results generated were evaluated using a Mean Absolute Percentage Error (MAPE) within the same period of evaluation, and the overall value of the MAPE obtained for LSTM-RNNs model was 5.4962 whereas that for the LR model was 7.5422. Based on these results, the LSTM-RNN model is considered highly accurate and competent. The model was used to generate a forecast for the period of 2022–2026 with an hourly resolution. A MAPE of 5.4962 was obtained with a computational time of approximately ten minutes, making the model vital for offline use by utilities due to its capacity to quantitatively and accurately predict long-term load with an hourly resolution.
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 | 0,001 | 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 découle