Adaptive Online Learning with LSTM Networks for Energy Price Prediction
Cet article présente un cadre d'apprentissage en ligne adaptatif utilisant des réseaux LSTM avec une nouvelle fonction de perte personnalisée et une intégration complète des caractéristiques afin d'améliorer significativement la précision de la prévision des prix de l'électricité à l'avance d'un jour sur le marché de l'énergie en Californie.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de deviner le prix d'un billet pour un concert qui a lieu chaque jour, mais que le prix change toutes les heures en fonction du nombre de personnes qui veulent y aller, de la chaleur du temps et de la quantité d'énergie dont le système de sonorisation du groupe a besoin. C'est le monde chaotique des marchés de l'électricité. Contrairement à l'achat d'une miche de pain dont le prix est généralement le même, les prix de l'électricité sont sauvages, bondissant de haut en bas comme des montagnes russes parce que le soleil peut cesser de briller (tuant ainsi l'énergie solaire) ou qu'une vague de chaleur peut pousser tout le monde à allumer la climatisation en même temps. Pour maintenir la lumière allumée et rendre les factures équitables, les gestionnaires de réseau et les compagnies d'électricité doivent prédire ces prix pour le lendemain, heure par heure. Ils utilisent l'« apprentissage automatique » (machine learning), ce qui revient essentiellement à apprendre à un ordinateur à trouver des modèles dans une montagne de données passées, un peu comme un détective qui étudie d'anciennes scènes de crime pour résoudre une nouvelle affaire. Le but est de construire une boule de cristal qui ne se contente pas de deviner le prix moyen, mais qui comprend les pics et les creux délirants avant qu'ils ne se produisent.
Ce document traite de la construction d'une boule de cristal super intelligente pour les prix de l'électricité en Californie en utilisant un type d'intelligence artificielle appelé un réseau LSTM (Long Short-Term Memory). Considérez un LSTM comme un étudiant doté d'une mémoire incroyable, capable de se souvenir de ce qui s'est passé la semaine dernière, le mois dernier et même l'année dernière, et d'utiliser cela pour comprendre ce qui se passe en ce moment. Les chercheurs, Salih Salihoglu et son équipe, ne se sont pas contentés de laisser cet étudiant étudier le passé ; ils lui ont donné un ensemble de règles spéciales pour apprendre. Premièrement, ils lui ont appris à regarder non seulement les prix passés, mais aussi la météo et exactement quelles centrales électriques (solaire, éolien, gaz, nucléaire) fonctionnaient ce jour-là. Deuxièmement, ils ont inventé un nouveau « système de notation des devoirs » (une fonction de perte personnalisée) qui ne vérifiait pas seulement si les chiffres étaient proches, mais vérifiait aussi si la forme de la courbe de prix paraissait réaliste et fluide, plutôt que dentelée et bizarre. Enfin, au lieu de laisser l'étudiant passer un examen une fois puis de ne plus jamais étudier, ils ont mis en place un système où l'étudiant reçoit un quiz quotidien. Si l'étudiant réussit mieux au quiz après avoir étudié les données d'un nouveau jour, il peut mettre à jour ses notes ; s'il réussit moins bien, il conserve ses anciennes notes.
L'équipe a découvert que cette approche d'« apprentissage en ligne adaptatif » était la gagnante. Leur modèle, qui se met à jour soigneusement chaque jour, était nettement meilleur que les modèles qui restent immobiles et ne changent jamais (modèles statiques) ou les modèles qui sont complètement réentraînés à partir de zéro chaque jour (modèles dynamiques). Plus précisément, leur modèle intelligent et évolutif a réduit l'erreur moyenne de ses prédictions d'environ 23 % par rapport au modèle statique. Ils ont également découvert que donner au modèle une liste des sources d'énergie actives (le « mix de production ») changeait la donne ; sans cette information, le modèle était beaucoup plus confus. De plus, leur système de notation spécial, qui incluait une pénalité pour les sauts de prix dentelés et irréalistes, a aidé le modèle à prédire les heures de pointe délicates avec beaucoup plus de précision. En résumé, l'article suggère que la meilleure façon de prédire ces prix d'électricité sauvages n'est pas de construire un modèle parfait une fois pour toutes et de l'oublier, mais de construire un modèle flexible qui apprend un peu chaque jour, vérifie son propre travail et ne change d'avis que lorsqu'il est sûr de devenir plus intelligent.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.