Seven signals, one ELM

Cyril Voyant · 18 October 2026

English · Français ci-dessous

At a one-hour horizon, our MIMO-ELM model achieves nRMSE values of 0.179 for solar generation and 0.051 for thermal generation, with R² above 0.98 for both series. Total-demand forecasts remain reliable up to five hours ahead within the study. Published in Applied Energy, these results come from six years of hourly data for the Corsican electricity system.

The model handles seven variables: total demand, solar, wind, hydropower, thermal generation, bioenergy and imports. Its multiple-input multiple-output architecture uses sliding windows and cyclic encodings to represent memory and seasonal variation. The Extreme Learning Machine retains a random hidden layer and fits its output coefficients analytically, avoiding iterative deep-network training.

Evaluation goes beyond an isolated score. The study compares the model with persistence, single-output formulations and an LSTM under a realistic tuning budget. It reports improved skill against the reference methods and small but stable gains over SISO formulations. Wind and bioenergy remain more difficult because of their strong variability. These differences are useful findings in their own right: a shared architecture does not make every energy component equally predictable.

For an energy system, the contribution is a common, rapidly fitted framework for several components. It supports joint investigation of production and consumption. Multiple outputs alone, however, do not impose an exact physical energy balance; enforcing conservation requires an explicit constraint or reconciliation procedure. The reported nRMSE values are not percentage improvements over a competitor. They describe the Corsican evaluation protocol. Transfer to another region should be assessed using that region’s data, constraints and forecast horizons, rather than inferred from architecture alone.

Sept sorties, six ans de données : ce que montre MIMO-ELM

À une heure d’horizon, notre modèle MIMO-ELM atteint une nRMSE de 0,179 pour le solaire et de 0,051 pour le thermique, avec R² supérieur à 0,98 pour ces deux séries. La demande totale conserve des prévisions jugées fiables jusqu’à cinq heures dans l’étude. Ces résultats, publiés dans Applied Energy, proviennent de six années de données horaires du système électrique corse.

Le modèle traite sept variables : demande totale, solaire, éolien, hydraulique, thermique, bioénergie et importations. Son architecture multi-entrée multi-sortie utilise des fenêtres glissantes et des encodages cycliques pour représenter la mémoire et les variations saisonnières. L’Extreme Learning Machine garde une couche cachée aléatoire et ajuste les sorties par une résolution analytique, ce qui évite un entraînement profond itératif.

La comparaison ne s’arrête pas à un score isolé. Le travail confronte le modèle à la persistance, à des formulations mono-sortie et à un LSTM avec un budget de réglage réaliste. Il rapporte des gains de compétence face aux références et des améliorations modestes mais stables par rapport aux formulations SISO. L’éolien et la bioénergie restent plus difficiles à prévoir, en lien avec leur forte variabilité.

Pour un système énergétique, la contribution est de représenter plusieurs composantes dans un même cadre, rapidement ajustable. Cela facilite l’étude conjointe de la production et de la consommation. Mais une sortie multiple ne garantit pas, à elle seule, un bilan énergétique exact : une contrainte physique ou une réconciliation doit être spécifiée pour l’imposer. Les valeurs rapportées ne sont pas des gains en pourcentage contre un concurrent. Elles caractérisent ce protocole corse ; une autre zone doit être évaluée avec ses propres contraintes, données et horizons.

Paper, authors and resources / Références

Reference / Référence collective : Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Mohammed Asloune, Yves-Marie Saint-Drenan, Jean-Laurent Duchaud, Ghjuvan Antone Faggianelli et Elena Magliaro. Short-term forecasting of energy production and consumption using extreme learning machine: A comprehensive MIMO based ELM approach. Applied Energy 410, 127599 (2026). DOI · éditeur accès ouvert · prépublication auteur.

All research news · About the author · Methods and code