Dual-channel encoded bidirectional LSTM for multi-building short-term load forecasting
Notice bibliographique
Résumé
Buildings in a group or cluster orientation account for a rising percentage of electrical consumption causing erratic load patterns and affecting power systems efficiency at grid-level. Short-term load forecasting can provide crucial utility for effective energy transition and optimal energy management with informed decision-making at grid-level. The existing forecasting models predominantly implement deep learning techniques targeting individual buildings. This reduces the model's tendency to account for the inter-building effect while forecasting demand across multiple buildings simultaneously. Also, the existing models often overlook instantaneous peaking patterns of the buildings, leading to sub-optimal learning and predictions. Thus, to address these challenges, this study introduces a novel dual-channel encoded bi-directional long short-term memory (LSTM) load forecasting model. The proposed model is fortified with attention mechanisms, residual connections, and quantile-based metrics that specifically target the erratic peaking patterns across multiple buildings simultaneously. The proposed model is purposely architectured following an encoder-decoder scheme to extract critical local and global temporal patterns and predict electrical demand across multiple buildings simultaneously. The proposed model is tested utilizing the demand data from a Canadian university and the results are compared to the recurrent neural network-based LSTM models. The proposed model improves the average root mean square error ranging from 1.8% to 10.9% and the average mean absolute error ranging from 33.6% to 59% as compared to the existing models. • A novel LSTM network for multi-building short-term load forecasting. • Unified model to predict multi-building load simultaneously. • Use of quantile-based metrics to capture peaking patterns in load data. • Comparison with state-of-the-art LSTM models. • Improves RMSE by 1.8%–10.9% and MAPE by 33.6%–59%.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».