GRU-Based Load Forecasting for Microgrid Systems: Modeling and Simulation Using Simulink
Notice bibliographique
Résumé
This paper investigates the use of short-term forecasts for microgrid operation under uncertainties of the renewable generation. Using hourly data from Ontario's K0K region in 2018, three representative months, January, July and December, were chosen to reflect seasonal conditions. We trained different univariate GRU models for load, photovoltaic and wind generation with the input window of 24 hours. We tested the predictions in a dual-branch MATLAB/Simulink setup, where one branch ran on actual profiles a nd t he o ther o n GRUbased forecasts, both controlled by the same BESS system. System performance was analyzed through grid export, battery discharge, and state of charge (SoC) and provided in the form of key performance indicators (KPIs). The GRU models provided reasonable statistical fits (R² of 0.78-0.96 for all sources and seasons). More importantly, stability-reflecting K PIs l ike g rid peak demand and average SoC were largely unaffected by forecastdriven operation, with only minor variations, while energy flowreflecting K PIs s uch a s g rid e xport a nd B ESS t hroughput were more impacted. This shows that GRU-based forecasts can be trusted for hour-ahead microgrid operation, since keeping the system stable matters more than fully correcting forecast errors.
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 | 0,001 | 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) | 0,003 | 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 ».