Long-term Provincial Load Forecasting In the Context of DERs: A Hybrid Approach
Notice bibliographique
Résumé
Accurate long-term load forecasting (LTLF) is essential for strategic resource allocation, infrastructure development, and resilient power system planning, particularly in today’s dynamic power grid landscape shaped by high penetration of Behind-the-Meter (BTM) generation, Distributed Energy Resources (DERs), Electric Vehicles (EVs), and Demand Side Management (DSM). This study proposes a hybrid approach combining a Random Forest (RF) algorithm for trend extraction and an Artificial Neural Network (ANN) for residual modeling to forecast provincial electricity demand over a 20 year horizon. The methodology includes a comprehensive data preprocessing pipeline capable of harmonizing diverse data resolutions and synthesizing future projections under varying development scenarios. Both point forecasts and probabilistic forecasts are produced, where the latter employs Monte Carlo simulations with time-varying noise injection to explicitly capture and communicate long-term uncertainty. The proposed method is practically implemented using NB Power as a case study, achieving a Root Mean Squared Error (RMSE) of 162.80 MW, a Mean Absolute Error (MAE) of $\mathbf{1 1 2. 7 0 ~ M W}$, and a nearzero mean error of -5.36 MW on test data, with $68.5 \%$ overestimations and $31.5 \%$ underestimations. Provided interpretation of results enhances the understanding of future load trajectories and supports evidence-based decisions for long-term utility planning and risk management.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| 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 ».