A Stacking Learning Model Based on Multiple Similar Days for Short-Term Load Forecasting
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
It is challenging to obtain accurate and efficient predictions in short-term load forecasting (STLF) systems due to the complexity and nonlinearity of the electric load signals. To address these problems, we propose a hybrid predictive model that includes a sliding-window algorithm, a stacking ensemble neural network, and a similar-days predictive method. First, we leverage a sliding-window algorithm to process the time-series electric load data with high nonlinearity and non-stationarity. Second, we propose an ensemble learning scheme of stacking neural networks to improve forecasting performance. Specifically, the stacking neural networks contain two types of networks: the base-layer and the meta-layer networks. During the pre-training process, the base-layer network integrates a radial basis function (RBF), random vector functional link (RVFL), and backpropagation neural network (BPNN) to provide a robust predictive model. The meta-layer network utilizes a deep belief network (DBN) and the improved broad learning system (BLS) to enhance predictive accuracy. Finally, the similar-days prediction method is developed to extract the relationship of electric load data in different time dimensions, further enhancing the robustness and accuracy of the model. To demonstrate the effectiveness of our model, it is evaluated using real data from five regions of the United States in three consecutive years. We compare our method with several state-of-the-art and conventional neural-network-based models. Our proposed algorithm improves the prediction accuracy by 16.08%, 16.83%, and 22.64% compared to DWT-EMD-RVFL, SWT-LSTM, and EMD-BLS, respectively. Empirical results demonstrate that our model achieves better accuracy and robustness compared with the baselines.
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