A weighted integrated forecasting approach based on VMD decomposition reconstruction for high energy-consuming loads
Notice bibliographique
Résumé
At present, high energy-consuming industrial loads such as fused magnesium, industrial manufacturing, and high-tech development have the characteristics of large energy consumption and peak control in the power conversion process. Accurate load forecasting is needed to carry out reasonable production scheduling. In the process of electro motor magnesium smelting, the power load usually has the characteristics of non-stationary, non-periodic, high fluctuation, etc. It makes power load forecasting and scheduling extremely difficult. Therefore, a weighted integrated forecasting method is proposed in this paper for high energy-consuming loads based on variational mode decomposition (VMD) and reconstruction. Firstly, an integrated forecasting model based on a decomposition strategy is established. The original sequence of high energy-consuming loads is decomposed by the VMD method. The multiple models are used to predict and reconstruct the sub-sequences, which improved the forecasting accuracy of the load sequence of fused magnesium by the traditional single model. Secondly, the multi-objective parameter optimization method of the weighted integrated forecasting model is proposed to learn multi-angle sequence implicit information and avoid the influence of the hybridization of the decomposed sequence information. The weight combination is optimized by a multi-objective optimization algorithm, and the accuracy and robustness of the model are optimized simultaneously with MAE and EVS as the optimization objectives. Finally, through the Pareto optimal solution method of adaptive variance risk threshold, the robustness of the model is taken as the constraint condition. The results show that the weighted combination model shows excellent forecasting performance on subsequences with different frequency characteristics. At the same time, the proposed weighted integrated forecasting method scientifically adjusts the combined weights of each model based on multi-objective parameter evolution optimization. It improves the forecasting accuracy and ensures the robustness of the model.
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 ».