NEXT-HOUR ELECTRICITY PRICE FORECASTING USING LEAST SQUARES SUPPORT VECTOR MACHINE AND GENETIC ALGORITHM
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
Predicting the price of electricity is crucial for the operation of power systems. Short-term electricity price forecasting deals with forecasts from an hour to a day ahead. Hourly-ahead forecasts offer expected prices to market participants before operation hours. This is especially useful for effective bidding strategies where the bidding amount can be reviewed or changed before the operation hours. Nevertheless, many existing models have relatively low prediction accuracy. Furthermore, single prediction models are typically less accurate for different scenarios. Thus, a hybrid model comprising least squares support vector machine (LSSVM) and genetic algorithm (GA) was developed in this work to predict electricity prices with higher accuracy. This model was tested on the Ontario electricity market. The inputs, which were the hourly Ontario electricity price (HOEP) and demand for the previous seven days, as well as 1-h pre-dispatch price (PDP), were optimized by GA to prevent losing potentially important inputs. At the same time, the LSSVM parameters were optimized by GA to obtain accurate forecasts. The hybrid LSSVM-GA model was shown to produce an average mean absolute percentage error (MAPE) of 8.13% and the structure of this model is less complex compared with other models developed in previous studies. This is due to the fact that only two algorithms were used (LSSVM and GA), with the load and HOEP for the week preceding the forecasting hour as the inputs. Based on the results, it is concluded that the proposed hybrid algorithm is a promising alternative to produce good electricity price forecasts.
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 | 0,001 |
| 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 découle