Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

Das moderne Stromnetz ist nicht mehr nur eine Einbahnstraße, auf der Energie von einem riesigen Kraftwerk zu einem passiven Haushalt fließt. Es hat sich zu einem dynamischen, zweiwegigen System entwickelt, in dem Solarmodule auf Hausdächern, Elektrofahrzeuge und intelligente Haushaltsgeräte ständig mit dem Markt interagieren. In dieser komplexen Umgebung sind zwei Zahlen wichtiger als fast jede andere: wie viel Elektrizität die Menschen morgen benötigen werden und was diese Elektrizität kosten wird. Diese beiden Figuren sind eng miteinander verknüpft; wenn die Nachfrage sprunghaft ansteigt oder der Wind nachlässt, können die Preise in die Höhe schießen, und wenn die Preise steigen, ändern die Menschen oft ihre Art der Stromnutzung. Diese Vorhersagen korrekt zu treffen, ist lebenswichtig. Wenn ein Versorgungsunternehmen falsch rät, verschwendet es möglicherweise Geld durch den Kauf teurer Energie oder lässt das Licht flackern. Wenn ein Kraftwerk falsch rät, könnte es Chancen verpassen, Energie zu verkaufen, oder auf einer Rechnung sitzen bleiben, die es nicht bezahlen kann. Jahrzehntelang haben Experten versucht, diese Zahlen mithilfe statistischer Werkzeuge vorherzusagen, aber die schiere Unvorhersehbarkeit des Wetters und des menschlichen Verhaltens hat die Aufgabe unglaublich schwierig gemacht.

Ein Forscherteam hat nun einen neuen Weg vorgeschlagen, um dieses Problem anzugehen, indem es sich auf eine spezifische Art von Computerprogramm konzentriert, das darauf ausgelegt ist, aus vergangenen Mustern zu lernen. Anstatt zu versuchen, die Last und den Preis separat vorherzusagen, entwickelten sie ein einzelnes System, das beides gleichzeitig schätzt. Stellen Sie sich dieses System wie einen Schüler vor, der ein Geschichtsbuch studiert, um zu verstehen, wie zwei verwandte Ereignisse, wie etwa das Wetter und die Menge der Menschen in einem Park, einander beeinflussen, anstatt zu versuchen, das Wetter und die Menschenmenge in zwei verschiedenen Klassen zu lernen. Die Forscher verwendeten eine Methode namens Levenberg-Marquardt-Algorithmus, um dieses System zu trainieren. Vereinfacht gesagt handelt es sich dabei um eine ausgeklügelte mathematische Technik, die dem Computer hilft, viel schneller und zuverlässiger zu lernen, indem sie ihre internen Einstellungen anpasst, um die bestmögliche Anpassung an die Daten zu finden, ohne in Sackgassen stecken zu bleiben.

Das Team testete seinen Ansatz mit realen Daten der PJM Interconnection, eines riesigen Strommarktes, der Teile des östlichen Verasien der USA abdeckt. Sie fütterten den Computer mit stundenlangen historischen Informationen, einschließlich vergangener Stromnutzung, vergangener Preise, Temperaturprognosen und sogar Vorhersagen darüber, wie viel erneuerbare Energie verfügbar sein würde. Der Computer wurde aufgefordert, all diese Informationen zu betrachten und die nächsten vierundzwanzig Stunden sowohl der Last als auch des Preises gleichzeitig vorherzusagen. Die Ergebnisse waren beeindruckend. Im Vergleich zu anderen populären Prognosewerkzeugen, einschließlich Standard-Neuronaler Netze und traditioneller statistischer Modelle, machte dieses neue System konsistent weniger Fehler sowohl für die Stromlast als auch für die Marktpreise. Es erreichte die niedrigsten Fehlermetriken in allen Bereichen, übertraf Baseline-Methoden wie Persistenz und ARIMA und demonstrierte, dass der Ansatz der gemeinsamen Modellierung die komplexen Dynamiken des Marktes erfolgreich erfasst hat.

Was dieses Ergebnis besonders nützlich macht, ist nicht nur die Genauigkeit, sondern auch die Geschwindigkeit und Einfachheit der Lösung für die Lastprognose. Viele moderne Modelle der künstlichen Intelligenz erfordern enorme Rechenleistung und benötigen lange Zeit für das Training, was sie für den Einsatz in Echtzeitsituationen, in denen Entscheidungen schnell getroffen werden müssen, schwierig macht. Dieses neue Modell hingegen ist relativ kompakt und trainiert sehr schnell. Es schafft es, die komplexen, verborgenen Beziehungen zwischen der Menge an Strom, die Menschen verbrauchen, und den Kosten dieser Energie zu erfassen, ohne die schwere Maschinerie komplizierterer Deep-Learning-Systeme zu benötigen. Die Forscher fanden heraus, dass das Teilen des „Denkprozesses“ des Netzwerks zwischen den beiden Vorhersagen dazu führte, dass das System lernte, dass eine hohe Nachfrage oft zu hohen Preisen führt und dass sich diese Muster in vorhersagbarer Weise basierend auf der Tageszeit und dem Wochentag wiederholen.

Die Studie untersuchte auch genau, wie das Modell im Zeitverlauf abschneidet, und prüfte, ob es verschiedene Jahreszeiten und ungewöhnliche Marktbedingungen bewältigen kann. Die Analyse zeigte, dass die Fehler für die Last gleichmäßig verteilt waren, was bedeutet, dass das System die Zahlen nicht konsistent über- oder unterschätzt hat. Es bewältigte die täglichen Zyklen gut und sagte die Spitzenzeiten der Nutzung am Morgen und Abend mit hoher Genauigkeit voraus. Während die Forscher feststellten, dass die Genauigkeit der Preisprognose immer noch stark von der Qualität der Wetter- und Erneuerbare-Energien-Prognosen abhängt, die dem System zur Verfügung gestellt werden, erwies sich der Kernansatz für beide Variablen als robust. Sie wiesen auch darauf hin, dass sich dieser Ansatz darauf konzentriert, eine einzige beste Schätzung für die Zukunft abzugeben, anstatt eine Bandbreite von Möglichkeiten, was eine Einschränkung für einige Risikomanagement-Aufgaben darstellt, aber ideal für die unmittelbare operative Planung ist.

Letztendlich zeigt diese Arbeit, dass manchmal die effektivste Lösung nicht die komplexeste ist. Durch die Verfeinerung einer älteren, gut verstandenen Art von Computerprogramm mit einer leistungsstarken Trainingsmethode hat das Team ein Werkzeug geschaffen, das sowohl schnell als auch genau genug ist, um das empfindliche Gleichgewicht eines modernen intelligenten Stromnetzes hinsichtlich der Stromnachfrage und der Marktpreise zu verwalten. Die Fähigkeit, sowohl die Nachfrage nach Elektrizität als auch deren Kosten in einer einzigen, schnellen Berechnung vorherzusagen, bietet einen praktischen Vorteil für die Menschen, die das Licht anhalten und die Märkte am Laufen halten. Da sich das Stromnetz mit zunehmender Nutzung erneuerbarer Energien und Elektrofahrzeuge weiterentwickelt, wird es immer essenzieller, eine zuverlässige, effiziente Methode zu haben, um diese beiden Herausforderungen vorauszusehen. Diese Studie legt nahe, dass wir mit den richtigen mathematischen Werkzeugen die Unsicherheit des zukünftigen Stromnetzes mit einer klareren Sicht als je zuvor bewältigen können.