BOL-LPP: A Bayesian-Optimized LSTM Model for Day-Ahead Load Price Forecasting in the ERCOT Market
Notice bibliographique
Résumé
Precise short-term load price forecasting is critical for uninterrupted and efficient power-system operation and energy-market performance. Although machine-learning techniques have been widely employed to predict market prices, achieving reliable day-ahead load price forecasts remains challenging in practice, especially in the Electric Reliability Council of Texas (ERCOT) energy-only market. This paper targets sufficiently accurate day-ahead load price prediction for ERCOT's zonal markets by modeling historical load, price, and weather data with a Long Short-Term Memory (LSTM) network whose hyperparameters are tuned via Bayesian Optimization (BO). The resulting Bayesian-Optimized LSTM for load price Prediction (BOL-LPP) is evaluated against classical statistical and deep-learning baselines. On the North-zone test set, BOL-LPP attains a Mean Absolute Error (MAE) of${\$}$0.0044/MWh, cutting the MAE by 32% relative to the strongest deep baseline (BiLSTM, MAE of${\$}$0.0065/MWh) and by over 99% compared with SARIMAX. Its MAE remains below${\$}$0.006/MWh on the Coast and South zones, confirming robust generalization. These numerical results, along with the reported Mean Squared Error (MSE), and Mean Absolute Percentage Error (MAPE), validate the performance gains delivered by the proposed model. BOL-LPP therefore promises markedly improved short-term load price forecasts, supporting informed decision-making and enhanced operational efficiency in the ERCOT market.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».