محققان در یک پژوهش جدید، قدرت مدلهای ترنسفورمر (Transformer) را برای پیشبینی دقیق بار الکتریکی در سطوح مختلف شبکه (از انتقال تا مصرفکننده نهایی) به چالش کشیدهاند.
نتایج این مطالعه نشان میدهد که مدلهای ترنسفورمر میتوانند خطای پیشبینی را بین ۶ تا ۱۰ درصد کاهش دهند و عملکردی بهمراتب بهتر از روشهای سنتی داشته باشند. در این گزارش، مدلهای پیشرفتهای مثل Chronos-2 نیز مورد بررسی قرار گرفتند که پتانسیل بالایی در تحلیل دادههای سری زمانی انرژی دارند.
این دستاورد گام بزرگی برای مدیریت بهتر انرژی و بهینهسازی شبکههای هوشمند (Smart Grids) در آینده نزدیک است. 🌐🔋
منبع: arXiv Machine Learning