Adaptive Online Learning with LSTM Networks for Energy Price Prediction
Dieses Paper präsentiert ein adaptives Online-Lernframework unter Verwendung von LSTM-Netzwerken mit einer neuartigen, benutzerdefinierten Verlustfunktion und umfassender Merkmalsintegration, um die Genauigkeit der Tag-vorher-Strompreisprognose im kalifornischen Energiemarkt signifikant zu verbessern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, den Preis für eine Eintrittskarte für ein Konzert zu erraten, das jeden Tag stattfindet, aber der Preis ändert sich jede Stunde basierend darauf, wie viele Menschen hingehen wollen, wie heiß das Wetter ist und wie viel Strom das Soundsystem der Band benötigt. Dies ist die chaotische Welt der Elektrizitätsmärkte. Im Gegensatz zum Kauf eines Laibs Brot, bei dem der Preis meist gleich bleibt, sind Strompreise wild und springen auf und ab wie eine Achterbahn, weil die Sonne vielleicht aufhört zu scheinen (was die Solarenergie ausschaltet) oder eine Hitzewelle dazu führt, dass alle gleichzeitig ihre Klimaanlagen einschalten. Um das Licht an der Netzspannung zu halten und die Rechnungen fair zu gestalten, müssen Netzbetreiber und Energieunternehmen diese Preise für den nächsten Tag, Stunde für Stunde, vorhersagen. Sie nutzen „Maschinelles Lernen“, was im Grunde bedeutet, einem Computer beizubringen, Muster in einem Berg aus vergangenen Daten zu finden, ähnlich wie ein Detektiv, der alte Tatorte untersucht, um einen neuen Fall zu lösen. Das Ziel ist es, eine Kristallkugel zu bauen, die nicht nur den Durchschnittspreis errät, sondern auch die verrückten Spitzen und Tiefpunkte vorhersieht, bevor sie passieren.
In dieser Arbeit geht es darum, eine superintelligente Kristallkugel für Strompreise in Kalifornien zu bauen, und zwar unter Verwendung einer Art von künstlicher Intelligenz, die als LSTM (Long Short-Term Memory) Netzwerk bezeichnet wird. Betrachten Sie ein LSTM als einen Schüler mit einem unglaublichen Gedächtnis, der sich erinnern kann, was letzte Woche, letzten Monat und sogar letztes Jahr passiert ist, und dieses Wissen nutzt, um zu verstehen, was gerade jetzt geschieht. Die Forscher, Salih Salihoglu und sein Team, haben diesen Schüler nicht einfach nur die Vergangenheit studieren lassen; sie gaben ihm einen speziellen Satz von Regeln, an denen er lernen sollte. Erstens brachten sie ihm bei, nicht nur auf vergangene Preise zu schauen, sondern auch auf das Wetter und genau darauf, welche Kraftwerke (Solar, Wind, Gas, Kernkraft) an diesem Tag in Betrieb waren. Zweitens erfanden sie ein neues „Hausaufgaben-Bewertungssystem“ (eine benutzerdefinierte Verlustfunktion), das nicht nur prüfte, ob die Zahlen nah beieinander lagen, sondern auch prüfte, ob die Form der Preiskurve realistisch und glatt aussah, anstatt zackig und seltsam. Schließlich ließen sie den Schüler nicht einfach eine Prüfung ablegen und dann nie wieder lernen, sondern richteten ein System ein, bei dem der Schüler einen täglichen Test macht. Wenn der Schüler nach dem Studium neuer Tagesdaten bei dem Test besser abschneidet, darf er seine Notizen aktualisieren; wenn er schlechter abschneidet, behält er seine alten Notizen bei.
Das Team fand heraus, dass dieser „adaptive Online-Lernansatz“ der Gewinner war. Ihr Modell, das sich jeden Tag sorgfältig aktualisiert, war signifikant besser als Modelle, die einfach stillstehen und sich nie verändern (statische Modelle) oder Modelle, die jeden Tag komplett von Grund auf neu trainiert werden (dynamische Modelle). Konkret reduzierte ihr intelligentes, sich aktualisendes Modell den durchschnittlichen Vorhersagefehler um etwa 23 % im Vergleich zum statischen Modell. Sie entdeckten auch, dass die Angabe einer Liste, welche Energiequellen aktiv waren (der „Erzeugungsmix“), ein entscheidender Faktor war; ohne diese Information war das Modell viel verwirrter. Darüber hinaus half ihr spezielles Bewertungssystem, das eine Strafe für zackige, unrealistische Preissprünge enthielt, dem Modell, die kniffligen Spitzenzeiten weitaus genauer vorherzusagen. Kurz gesagt, die Arbeit legt nahe, dass der beste Weg, diese wilden Strompreise vorherzusagen, nicht darin besteht, einmal ein perfektes Modell zu bauen und es dann zu vergessen, sondern ein flexibles Modell zu bauen, das jeden Tag ein wenig lernt, seine eigene Arbeit überprüft und seinen Verstand nur dann ändert, wenn es sicher ist, dass es klüger wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.