Neural Network Fuzzy Electricity Demand Forecasts Based on Fuzzy Inputs
Notice bibliographique
Résumé
Recently, there has been a growing interest in studying both long-term and short-term forecasts of electricity demand using dynamic regression models with seasonal ARIMA (SARIMA) errors and neural network autoregression (NNAR) models. Most of the electricity demand forecasting models investigated in the literature involved two features: temperature and day type, and only the point forecasts of temperature are used to obtain forecasts of electricity demand. However, it is crucial to acknowledge that temperature fluctuates throughout the day, and it is more appropriate to incorporate the forecast error variability and use the fuzzy forecasts of the temperature as an input to forecast electricity demand. This paper uses a novel fuzzy two-step approach to generate fuzzy forecasts of electricity demand. In step 1, fuzzy forecasts of temperature are obtained by incorporating additional features such as precipitation, irradiance, snowfall, snow mass, cloud cover, and air density. Thirteen distinct models, including neural network regression models and Facebook industrial Prophet models, are fitted to temperature data, and the best forecasting model for temperature is selected based on forecast accuracy measures. In step 2, the fuzzy forecasts of the temperature are used as a feature with day type (weekday/weekend/holiday) to obtain fuzzy forecasts of electricity demand. The superior performance of neural network fuzzy forecasts of electricity demand in terms of forecast accuracy is demonstrated for Ontario electricity demand data.
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 | 0,001 |
| 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 ».