Peak Shaving Impact on Load Forecasting: A Strategy for Mitigation
Notice bibliographique
Résumé
This paper introduces a novel approach for improving load forecasting accuracy in smart grids when integrating peak shaving strategies. Our research proposes a practical framework that demonstrates the negative impact of peak shaving on load forecasting accuracy and identifies the necessary algorithmic transformations to accommodate load demand fluctuations arising from such actions. We integrate a binary descriptor carrying information about the timing of the peak shaving events into the input vector used to train the forecasting model. We conducted two investigations based on two different billing strategies: “daily peak shaving” to address variable power rates and “peak shaving on a subset of days within a monthly billing cycle” to address power rates based on energy/peak demand. Our approach was validated using two public datasets from different climates collected in Australia and Greece. It evaluated two different forecasting techniques, the Feedforward Neural Network and the Long Short-Term Memory Network, with different levels and frequencies of peak shaving. The results demonstrate that our solution effectively mitigates the negative impact of peak shaving, leading to significant forecasting accuracy enhancements across both forecasting techniques, billing strategies, and peak shaving frequency and levels. The solution remarkably reduced the forecasting error metrics in all cases studied when comparing forecasts generated with and without the peak shaving descriptor. This study also provides practical insights into how our approach can be applied in real-world power systems to not only improve load forecasting accuracy but also assess the impact of demand response actions and improve grid reliability and efficiency.
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 ».