Prévision à court terme du besoin électrique québécois
Bibliographic record
Abstract
Nous étudions la prévision du besoin énergétique québécois pour les 24 prochaines heures à l’aide d’un ensemble de données s’étalant sur une durée de 8 ans de valeurs historiques de consommation électrique au Québec. Il s’agit d’un problème de prévision de la charge à court-terme, un sous-domaine de la prévision des séries temporelles. Notre modélisation repose sur une méthode appelée « modèle à équations multiples sur séries temporelles » pour la prévision de la consommation électrique à court terme, en nous inspirant de l’approche proposée par Clements, Hurn et Li (2016) appliquée à la région du Queensland, en Australie. Après avoir adapté le modèle aux conditions québécoises, nous l’étendons en prenant en compte deux variables météorologiques additionnelles, la nébulosité et la vitesse du vent, en plus de considérer les observations de différentes stations météorologiques dispersées sur le territoire québécois. Le modèle proposé présente un score MAPE de 1,32 % sur l’ensemble de validation, avec le potentiel de réduire davantage sa marge d’erreur après l’exploration de pistes d’améliorations accessibles. Les performances de notre modèle sont comparées à celles des modèles à équations multiples de Clements, Hurn et Li (2016) et de Cancelo, Espasa et Grafe (2008) ; ainsi que sur celles du modèle N-BEATS de Marchand et Zinflou (2021).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".