On the Benefits of Transfer Learning and Reinforcement Learning for Electric Short-term Load Forecasting
Notice bibliographique
Résumé
Accurate short-term load forecasting plays an essential role in effective modern power system operations. Recently, various deep learning based time-series forecasting algorithms have shown superior performances. Usually, the existing time-series forecasting algorithms require an adequate amount of training samples to learn a reliable prediction model. However, in some real-world scenarios, we might only have limited training samples, i.e., learning to predict electric load in a newly built neighborhood. Under such strict constraints, both classical and deep learning based time-series forecasting algorithms suffer from high prediction errors and over-fitting problems due to the limited training data. On the other hand, in the real world, we may have a large amount of historical data collected from other buildings which could be helpful to learn the forecasting model. Therefore, in this work, we propose to tackle the short-term residential electric load forecasting problem from a transfer learning perspective. The goal is to use the large amount of historical data from other source buildings to learn reliable forecasting models for the target building which only has limited training data. In particular, we first use the Autoformer, a state-of-the-art (SOTA) transformer-based time-series forecasting algorithm, to learn a forecasting model from each source building, respectively. Then, we leverage the benefit of the reinforcement learning algorithm to select the learned forecasting models to make prediction on the target building, named Time-Series Double DQN (TS-DDQN). To validate the efficacy of the proposed method, we conduct extensive experiments on different real-world datasets. Experimental results show that TS-DDQN can consistently outperform baseline algorithms by a large margin.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».