Adaptive Online Learning with LSTM Networks for Energy Price Prediction
Questo articolo presenta un framework di apprendimento online adattivo utilizzando reti LSTM con una nuova funzione di perdita personalizzata e un'integrazione completa delle caratteristiche per migliorare significativamente l'accuratezza della previsione dei prezzi dell'elettricità day-ahead nel mercato energetico della California.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di cercare di indovinare il prezzo di un biglietto per un concerto che si tiene ogni singolo giorno, ma il prezzo cambia ogni ora in base a quante persone vogliono andare, a quanto è caldo il tempo e a quanta energia richiede l'impianto audio della band. Questo è il mondo caotico dei mercati elettrici. A differenza dell'acquisto di una pagnotta di pane, dove il prezzo è solitamente lo stesso, i prezzi dell'elettricità sono selvaggi, saltano su e giù come una montagna russa perché il sole potrebbe smettere di splendere (uccidendo l'energia solare) o un'ondata di calore potrebbe far accendere l'aria condizionata a tutti contemporaneamente. Per mantenere le luci accese e le bollette eque, i gestori della rete e le compagnie elettriche devono prevedere questi prezzi per il giorno successivo, ora per ora. Usano il "machine learning", che è fondamentalmente l'insegnare a un computer come trovare schemi in una montagna di dati passati, un po' come un detective che studia vecchie scene del crimine per risolvere un nuovo caso. L'obiettivo è costruire una palla di cristallo che non si limiti a indovinare il prezzo medio, ma che comprenda i folli picchi e i cali prima che accadano.
Questo articolo riguarda la costruzione di una palla di cristallo super intelligente per i prezzi dell'elettricità in California utilizzando un tipo di intelligenza artificiale chiamata rete LSTM (Long Short-Term Memory). Pensa a una LSTM come a uno studente con una memoria incredibile che può ricordare cosa è successo la scorsa settimana, il mese scorso e persino l'anno scorso, e usare queste informazioni per capire cosa sta succedendo proprio ora. I ricercatori, Salih Salihoglu e il suo team, non si sono limitati a lasciare che questo studente studiasse il passato; gli hanno dato un set speciale di regole da cui imparare. Primo, gli hanno insegnato a guardare non solo i prezzi passati, ma anche il meteo e esattamente quali centrali elettriche (solari, eoliche, a gas, nucleari) erano in funzione quel giorno. Secondo, hanno inventato un nuovo "sistema di valutazione dei compiti" (una funzione di perdita personalizzata) che non controllava solo se i numeri fossero vicini, ma controllava anche se la forma della curva dei prezzi sembrasse realistica e fluida, piuttosto che frastagliata e strana. Infine, invece di lasciare che lo studente facesse un test una volta e poi non studiasse più, hanno impostato un sistema in cui lo studente riceve un quiz giornaliero. Se lo studente ottiene un punteggio migliore nel quiz dopo aver studiato i dati di un nuovo giorno, può aggiornare i suoi appunti; se ottiene un punteggio peggiore, mantiene i suoi vecchi appunti.
Il team ha scoperto che questo approccio di "apprendimento online adattivo" è stato il vincitore. Il loro modello, che si aggiorna con cura ogni giorno, è stato significativamente migliore dei modelli che restano fermi e non cambiano mai (modelli statici) o dei modelli che vengono completamente riaddestrati da zero ogni giorno (modelli dinamici). Nello specifico, il loro modello intelligente e in aggiornamento ha ridotto l'errore medio nelle sue previsioni di circa il 23% rispetto al modello statico. Hanno anche scoperto che fornire al modello un elenco di quali fonti di energia erano attive (il "mix di generazione") è stato un elemento decisivo; senza questa informazione, il modello era molto più confuso. Inoltre, il loro sistema di valutazione speciale, che includeva una penalità per i salti di prezzo frastagliati e irrealistici, ha aiutato il modello a prevedere le difficili ore di punta con maggiore precisione. In breve, l'articolo suggerisce che il modo migliore per prevedere questi selvaggi prezzi dell'elettricità non è costruire un modello perfetto una volta per tutte e dimenticarsene, ma costruire un modello flessibile che impari un po' ogni giorno, controlli il proprio lavoro e cambi idea solo quando è sicuro di stare diventando più intelligente.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.