Table 2.
Performance on 1-hour-ahead load point forecast and interval prediction.
| Categories | Methods | Point Forecast | 95% Pred. Interval | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| RMSE ↓ | MAE ↓ | MAPE ↓ | MIS ↓ | ||||||||||
| 2018 | 2019 | 2020 | 2018 | 2019 | 2020 | 2018 | 2019 | 2020 | 2018 | 2019 | 2020 | ||
| Time-series Models | Naive | 0.041 | 0.039 | 0.032 | 0.029 | 0.029 | 0.024 | 0.032 | 0.032 | 0.027 | 0.203 | 0.175 | 0.190 |
| ARIMA | 0.031 | 0.027 | 0.024 | 0.022 | 0.020 | 0.017 | 0.023 | 0.022 | 0.019 | 0.113 | 0.095 | 0.083 | |
| ETS | 0.029 | 0.026 | 0.022 | 0.021 | 0.019 | 0.017 | 0.022 | 0.021 | 0.018 | 0.107 | 0.088 | 0.076 | |
| Traditional | SVR | 0.057 | 0.058 | 0.044 | 0.046 | 0.048 | 0.037 | 0.053 | 0.057 | 0.043 | 0.181 | 0.182 | 0.185 |
| Machine | RF | 0.033 | 0.032 | 0.028 | 0.026 | 0.026 | 0.022 | 0.029 | 0.028 | 0.024 | 0.099 | 0.093 | 0.095 |
| Learning | GBDT | 0.033 | 0.032 | 0.024 | 0.026 | 0.026 | 0.020 | 0.029 | 0.029 | 0.023 | 0.095 | 0.087 | 0.091 |
| Methods | LR | 0.026 | 0.027 | 0.030 | 0.020 | 0.022 | 0.024 | 0.021 | 0.024 | 0.026 | 1.141 | 0.871 | 0.100 |
| Multilayer Perceptron | ELM | 0.229 | 0.145 | 0.184 | 0.196 | 0.119 | 0.146 | 0.233 | 0.140 | 0.170 | 0.531 | 0.427 | 0.573 |
| FNN | 0.088 | 0.091 | 0.114 | 0.073 | 0.076 | 0.085 | 0.083 | 0.089 | 0.100 | 0.240 | 0.248 | 0.257 | |
| N-BEATS59 | 0.090 | 0.091 | 0.084 | 0.067 | 0.072 | 0.068 | 0.072 | 0.082 | 0.077 | 0.209 | 0.207 | 0.236 | |
| Convolutional | Vanilla CNN | 0.103 | 0.065 | 0.089 | 0.085 | 0.049 | 0.058 | 0.099 | 0.053 | 0.067 | 0.263 | 0.243 | 0.243 |
| Neural | WaveNet60 | 0.159 | 0.109 | 0.123 | 0.132 | 0.087 | 0.103 | 0.156 | 0.093 | 0.120 | 0.438 | 0.454 | 0.659 |
| Networks | TCN67 | 1.336 | 0.966 | 1.133 | 1.330 | 0.960 | 1.130 | 1.478 | 1.100 | 1.277 | 2.777 | 1.996 | 2.359 |
| Vanilla RNN | 0.154 | 0.094 | 0.084 | 0.122 | 0.075 | 0.068 | 0.137 | 0.088 | 0.080 | 0.330 | 0.273 | 0.230 | |
| Recurrent | LSTM51 | 0.070 | 0.136 | 0.167 | 0.055 | 0.114 | 0.101 | 0.061 | 0.136 | 0.120 | 0.244 | 0.286 | 0.302 |
| Neural | GRU52 | 0.087 | 0.132 | 0.092 | 0.071 | 0.108 | 0.074 | 0.081 | 0.127 | 0.086 | 0.216 | 0.286 | 0.201 |
| Networks | LSTNet62 | 0.065 | 0.056 | 0.0826 | 0.050 | 0.046 | 0.067 | 0.055 | 0.053 | 0.075 | 0.188 | 0.328 | 0.227 |
| DeepAR63 | 0.068 | 0.110 | 0.093 | 0.055 | 0.086 | 0.078 | 0.059 | 0.101 | 0.090 | 1.752 | 1.515 | 1.531 | |
| Transformer -based | Transformer53 | 0.108 | 0.121 | 0.132 | 0.086 | 0.095 | 0.101 | 0.098 | 0.114 | 0.119 | 0.265 | 0.280 | 0.298 |
| Informer86 | 0.129 | 0.110 | 0.073 | 0.102 | 0.086 | 0.059 | 0.118 | 0.101 | 0.067 | 0.252 | 0.215 | 0.214 | |
| - | Neural ODE65 | 0.117 | 0.265 | 0.151 | 0.098 | 0.249 | 0.128 | 0.102 | 0.270 | 0.137 | 0.737 | 0.709 | 0.801 |