PulseAugur
中
实时 10:31:40
English(EN) Adaptive Online Learning with LSTM Networks for Energy Price Prediction

LSTM网络通过自适应学习提升电力价格预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个使用长短期记忆（LSTM）网络的自适应在线学习框架，以提高加州能源市场日前电力价格预测的准确性。该模型结合了历史价格、天气数据和能源发电结构，并通过结合平均绝对误差（MAE）、Jensen-Shannon散度（JSD）和光滑度惩罚的新型自定义损失函数进行了增强。这种自适应方法在性能上优于静态模型，显著降低了均方误差（MSE）、MAE和均方根误差（RMSE）。 AI

影响 这项研究为电力价格预测提供了一个更强大的框架，有望在动态能源市场中带来更好的决策。

排序理由 详细介绍新机器学习模型和框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LSTM网络通过自适应学习提升电力价格预测能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Salih Salihoglu, Ibrahim Ahmed, Afshin Asadi ·

    基于LSTM网络的自适应在线学习用于能源价格预测

    arXiv:2510.16898v2 Announce Type: replace-cross Abstract: Accurate prediction of electricity prices is crucial for stakeholders in the energy market, particularly for grid operators, energy producers, and consumers. This study focuses on developing a predictive model leveraging L…

相关实体

相关话题