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 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 | 0,001 | 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 | 0,001 |
| 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 ».