کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071824 1521400 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A novel data-driven approach for residential electricity consumption prediction based on ensemble learning
ترجمه فارسی عنوان
یک رویکرد جدید مبتنی بر داده برای پیش بینی مصرف برق خانگی براساس یادگیری گروهی
کلمات کلیدی
مصرف برق خانگی، یادگیری گروهی شبکه عصبی، افزایش شیب افراطی،
ترجمه چکیده
با توسعه شبکه های هوشمند و همچنین بازار برق، برای پیش بینی مصرف برق خانگی اهمیت بیشتری دارد. در این مقاله، یک چارچوب مبتنی بر اطلاعات جدید برای پیش بینی مصرف برق خانگی سالانه با استفاده از تکنیک یادگیری سازمانی پیشنهاد شده است. گرادیان شدید تقویت جنگل و شبکه های عمیق فیدبک به عنوان مدل های پایه ای استفاده می شود. این مدل های پایه با رگرسیون ریج ترکیب شده اند. علاوه بر این، مقدار ویژگی های ورودی تخمین زده می شود. یک زیر مجموعه از ویژگی های به عنوان ویژگی های مهم برای تغذیه به مدل برای افزایش دقت آن انتخاب شده است. مقایسه چارچوب گروه پیشنهاد شده در برابر مدل های رگرسیون کلاسیک نشان می دهد که اولین می تواند 30٪ از خطای پیش بینی را کاهش دهد. نتایج این مطالعه نشان می دهد که روش یادگیری گروهی می تواند یک رویکرد مناسب و دقیق برای پیش بینی مصرف برق خانوار باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
یک رویکرد جدید مبتنی بر داده برای پیش بینی مصرف برق خانگی براساس یادگیری گروهی
چکیده انگلیسی
With the development of smart grid as well as the electricity market, it is of increasing significance to predict the household electricity consumption. In this paper, a novel data-driven framework is proposed to predict the annual household electricity consumption using ensemble learning technique. The extreme gradient boosting forest and feedforward deep networks are served as base models. These base models are combined by ridge regression. What is more, the importances of input features are estimated. A subset of features is selected as the important features to feed into the model to increase its accuracy. A comparison of the proposed ensemble framework against classical regression models indicates that the former can reduce by 30% of the prediction error. The results of this study show that ensemble learning method can be a convenient and accurate approach to predict household electricity consumption.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 150, 1 May 2018, Pages 49-60
نویسندگان
, , , ,