Performance comparison of single and ensemble CNN, LSTM and traditional ANN models for short-term electricity load forecasting
Notice bibliographique
Résumé
<p>The authors propose bagged and boosted convolutional neural networks (CNNs) and long short-term memory (LSTM) networks, and compare their performance with the bagged and boosted traditional shallow artificial neural networks (ANNs) for short-term electricity load forecasting. Unlike existing references that mainly compare the performance of ensemble deep learning with single deep learning and machine learning techniques, three further performance comparisons are carried out: (1) bagged CNNs and bagged LSTMs, (2) boosted CNNs and LSTMs, and (3) bagged CNNs and bagged LSTMs, and boosted CNNs and LSTMs. This allows an insight into the individual effects of ensemble learning on CNNs and LSTMs. The proposed models' inputs consist of weather and time-related features in addition to the past load. The use of these features allows CNNs and LSTMs to estimate further complex relationship between them and the load. We implement all these methods and compare their performance on the same New England electricity load forecasting data set via statistical analysis. Effects on the forecasting performance with reduced training data are further shown. The LSTM models have the largest performance variation and are also more sensitive to a reduction in training data. In these models, boosting can improve both prediction accuracy and consistency.</p> <p> </p>
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 | 0,000 | 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 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 ».