Application of Classical Multiplicative Decomposition Time Series Predictive Model for the Forecast of Domestic Electricity Demand and Supply: A Ghanaian Context
Notice bibliographique
Résumé
In modern technology and systems modeling, electric energy forecast is extremely vital for the attainment of effective application of energy policies.This model is formulated after a thorough study of the power load conditions of Ghana and the factors that affect domestic electricity demand and supply in the country was conducted.In Ghana, the Long-range Energy Alternatives Planning (LEAP) forecast model is officially applied for electricity demand and projection of power supply which comes with forecasting errors.Thus, there exists a crucial need to develop a forecasting model for the best energy policies formulation and consequent minimization of overall forecasting error compared to the LEAP model.A step-by-step mathematical approach of forecasting time series data of all the domestic electricity demand areas of Accra, namely: Mallam, Achimota and Accra East 9-year data was applied in the forecasting process.However, data for Accra east was only for four years due to the fact that it was a new distribution station at the time.Results from the quantitative classical multiplicative decomposition forecast model is comparatively precise with a reduced forecast error margin between -5% to 4.5% compared to an existing prediction error margin viz., 1% to -11%.By virtue of the proposed study, accurate forecasting of power loads, improvement in utilization of electrical equipment, economies of scale and reduction in production cost can be attained.It is also essential to optimize power system resources for the attainment of energy conservation and overall reduction in emissions.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».