Time series forecasting based on multi-criteria optimization for model and filter selection applied to hydroelectric power plants
Notice bibliographique
Résumé
The power generation management in power systems based on water resources depends on the level of the reservoirs at the hydroelectric plants. Considering the advances in machine learning, forecasting inflow variation using time series could be an alternative for improving power system management. Given that there are several forecasting models and filters that can be applied, choosing one can be a challenging task, requiring experience from the designer. To solve this, multi-criteria optimization for selecting the models using the tree-structured Parzen estimator approach is proposed in this paper. The study considers the inflow data from the Belo Monte dam in Brazil. The multi-layer Elman recurrent neural network (RNN), dilated RNN, long short-term memory (LSTM), temporal fusion transformer (TFT), temporal convolutional neural (TCN), deep non-parametric time series (DeepNPTS), neural basis expansion analysis for time series (N-BEATS), and neural hierarchical interpolation for time series (NHITS) models are considered. The Christiano-Fitzgerald, Hodrick–Prescott, season-trend decomposition using locally estimated scatterplot smoothing (STL), and multiple STL filters are used. The proposed method, based on hypertuned TFT with the Hodrick–Prescott filter, had a mean absolute percentage error (MAPE) of 0.02 and a symmetric MAPE of 1.99, being superior to all the compared structures.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».