Der Beitrag “Replicable Machine Learning Workflow for Energy Forecasting” von Stepan Gagin et al. stellt einen wiederholbaren Machine-Learning-Workflow für die Energieprognose vor. Dieser Workflow ermöglicht die Integration von Prognosefunktionen in Energie-Management-Systeme (EMSs) ohne spezielle Kenntnisse im Bereich Machine Learning. Der Workflow ist so gestaltet, dass er für verschiedene Messungen und an mehreren Standorten im Energiesektor eingesetzt werden kann. Er umfasst mehrere Schritte, darunter Datenvorverarbeitung, Datenexploration, Modelltraining, Modellinferenz und Anomalieerkennung. Ziel ist es, die Prognoseleistung zu verbessern und gleichzeitig die Ressourcen für das Modelltraining effizient zu nutzen.

Zu finden hier

Mehr bei stromhaltig: