Quarter-Hourly Power Load Forecasting Based on a Hybrid CNN-BiLSTM-Attention Model with CEEMDAN, K-Means, and VMD
Notice bibliographique
Résumé
Accurate long-term power load forecasting in the grid is crucial for supply–demand balance analysis in new power systems. It helps to identify potential power market risks and uncertainties in advance, thereby enhancing the stability and efficiency of power systems. Given the temporal and nonlinear features of power load, this paper proposes a hybrid load-forecasting model using attention mechanisms, CNN, and BiLSTM. Historical load data are processed via CEEMDAN, K-means clustering, and VMD for significant regularity and uncertainty feature extraction. The CNN layer extracts features from climate and date inputs, while BiLSTM captures short- and long-term dependencies from both forward and backward directions. Attention mechanisms enhance key information. This approach is applied for seasonal load forecasting. Several comparative experiments show the proposed model’s high accuracy, with MAPE values of 1.41%, 1.25%, 1.08% and 1.67% for the four seasons. It outperforms other methods, with improvements of 0.25–2.53 GWh2 in MSE, 0.15–0.1 GWh in RMSE, 0.1–0.74 GWh in MAE and 0.22–1.40% in MAPE. Furthermore, the effectiveness of the data processing method and the impact of training data volume on forecasting accuracy are analyzed. The results indicate that decomposing and clustering historical load data, along with large-scale data training, can both boost forecasting accuracy.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».