Diffusion Convolutional Recurrent Neural Network-Based Load Forecasting During COVID-19 Pandemic Situation
Notice bibliographique
Résumé
Infected by the novel coronavirus (COVID-19 – C-19) pandemic, worldwide energy generation and utilization have altered immensely. It remains unfamiliar in any case that traditional short-term load forecasting methodologies centered upon single-task, single-area, and standard signals could precisely catch the load pattern during the C-19 and must be cautiously analyzed. An effectual administration and finer planning by the power concerns remain of higher importance for precise electrical load forecasting. There presents a higher degree of unpredictability’s in the load time series (TS) that remains arduous in doing the precise short-term load forecast (SLF), medium-term load forecast (MLF), and long-term load forecast (LLF). For excerpting the local trends and capturing similar patterns of short and medium forecasting TS, we proffer Diffusion Convolutional Recurrent Neural Network (DCRNN), which attains finer execution and normalization by employing knowledge transition betwixt disparate forecasting jobs. This as well evens the portrayals if many layers remain stacked. The paradigms have been tested centered upon the actual life by performing comprehensive experimentations for authenticating their steadiness and applicability. The execution has been computed concerning squared error, Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), and Mean Absolute Error (MAE). Consequently, the proffered DCRNN attains 0.0534 of MSE in the Chicago area, 0.1691 of MAPE in the Seattle area, and 0.0634 of MAE in the Seattle area.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».