Adaptive filter-driven optimized attention-based CNN-LSTM for load forecasting in microgrids
Notice bibliographique
Résumé
Load forecasting in microgrids enables efficient balancing of supply and demand, ensuring that energy generation, storage, and consumption are optimally coordinated. A major challenge in load forecasting in microgrids is that the optimal model for one grid may not be the best for another, considering each system's different characteristics. Based on this concern, this paper proposes a data-driven adaptive filter, ensuring that the model can be applied to any microgrid. For model tuning, the adaptive tree-structured Parzen estimator (ATPE) was shown to be more efficient in finding the optimal hyperparameters than random search, annealing search, and TPE optimization strategies. The proposed hybrid prediction method integrates an adaptive filter (AF) input stage into an optimized attention-based (OA) convolutional neural network with long short-term memory (CNN-LSTM). Based on that, the model features a data-driven AF that automatically adjusts its denoising hyperparameter based on the input signal's sampling rate, ensuring robust performance across diverse datasets without manual tuning. When evaluated on three microgrid datasets (Liege, Technical University of Ostrava, and Rye), the proposed AF-OA-CNN-LSTM model demonstrated top performance compared to state-of-the-art deep learning architectures. Achieving an RMSE of 0.00116 (3.44% better than DeepAR and 239.65% better than TimesNet, the 2nd and 3rd best models, respectively) and a MAPE of 1.15% (296.52% better than TFT and 313.04% better than TimesNet, the 2nd and 3rd best models, respectively) in the best case (Liege dataset), the proposed method is a promising generalizable solution for load forecasting in different load contexts. • Propose an adaptive filtered attention-based CNN-LSTM model optimized via ATPE. • Developed a data-driven adaptive filter generalizable for load forecasting. • APTE for hypertuning compared to random search, annealing search, and TPE. • The hybrid approach achieved superior performance across three load datasets.
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) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».