Pandemic-Aware Electric Load Forecasting: A Multitask Bidirectional LSTM/CNN Model
Notice bibliographique
Résumé
COVID-19 pandemic has brought major uncertainty in load forecasting. Enforcing and relaxing lockdown rules, infection numbers, and the changing habits of people are the main causes of this uncertainty. Electric load forecasting maintains the balance between electric supply and demand. It also assists electric utilities in pricing their services, planning, and managing their infrastructure. This paper proposes two pandemic-aware load forecasting models (i) a city-level model, applied on the cities of Ottawa and Toronto, predicting hourly load using weather and pandemic-related features including population mobility and the number of daily COVID-19 infections, and (ii) a second open-source model forecasting quarter-hourly residential-level loads using weather and population mobility features for the city of Pune in India. Both models utilize multitask learning to jointly learn and predict future electric loads. The quarter-hourly model uses Bi-directional Long Short-Term Memory (LSTM) to learn from COVID’s specific features, and a Convolutional Neural Network (CNN) to learn from the historical load data before the pandemic. The multitask nature of the model allows for incorporating multiple datasets with different numbers of features. The residential-level multitask model allowed for learning from long-term data before COVID-19 using weather features, short-term load data, and the mobility data. Multitask learning has also enabled the use of two datasets with different numbers of features due to the lack of mobility data pre-COVID.
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 | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».