BOL-LPP: A Bayesian-Optimized LSTM Model for Day-Ahead Load Price Forecasting in the ERCOT Market
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">${\$}$</tex-math></inline-formula>0.0044/MWh, cutting the MAE by 32% relative to the strongest deep baseline (BiLSTM, MAE of <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">${\$}$</tex-math></inline-formula>0.0065/MWh) and by over 99% compared with SARIMAX. Its MAE remains below <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">${\$}$</tex-math></inline-formula>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.
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 | 0,003 | 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 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle