Adaptive Online Learning with LSTM Networks for Energy Price Prediction
Este artigo apresenta um framework de aprendizado online adaptativo usando redes LSTM com uma nova função de perda personalizada e integração abrangente de características para melhorar significativamente a precisão da previsão de preços de eletricidade para o dia seguinte no mercado de energia da Califórnia.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você esteja tentando adivinhar o preço de um ingresso para um show que acontece todos os dias, mas o preço muda a cada hora dependendo de quantas pessoas querem ir, de quão quente está o clima e de quanta energia o sistema de som da banda precisa. Este é o mundo caótico dos mercados de eletricidade. Ao contrário de comprar um pão, onde o preço costuma ser o mesmo, os preços da eletricidade são selvagens, saltando para cima e para baixo como uma montanha-russa porque o sol pode parar de brilhar (matando a energia solar) ou uma onda de calor pode fazer com que todos liguem o ar-condicionado ao mesmo tempo. Para manter as luzes acesas e as contas justas, operadores de rede e empresas de energia precisam prever esses preços para o dia seguinte, hora a hora. Eles usam "aprendizado de máquina", que é basicamente ensinar um computador a encontrar padrões em uma montanha de dados passados, de forma semelhante a como um detetive estuda cenas de crimes antigos para resolver um caso novo. O objetivo é construir uma bola de cristal que não apenas adivinhe o preço médio, mas que entenda os picos e quedas loucos antes que eles aconteçam.
Este artigo trata da construção de uma bola de cristal superinteligente para os preços da eletricidade na Califórnia usando um tipo de inteligência artificial chamado rede LSTM (Long Short-Term Memory). Pense em uma LSTM como um estudante com uma memória incrível que consegue se lembrar do que aconteceu na semana passada, no mês passado e até no ano passado, e usar isso para entender o que está acontecendo agora. Os pesquisadores, Salih Salihoglu e sua equipe, não apenas deixaram esse estudante estudar o passado; eles deram a ele um conjunto especial de regras para aprender. Primeiro, ensinaram-no a olhar não apenas para os preços passados, mas também para o clima e exatamente quais usinas de energia (solar, eólica, gás, nuclear) estavam funcionando naquele dia. Segundo, inventaram um novo "sistema de correção de lição de casa" (uma função de perda personalizada) que não apenas verificava se os números estavam próximos, mas também verificava se a forma da curva de preço parecia realista e suave, em vez de serrilhada e estranha. Finalmente, em vez de deixar o estudante fazer uma prova uma vez e depois nunca mais estudar, eles estabeleceram um sistema onde o estudante faz um teste diário. Se o estudante se sair melhor no teste após estudar os dados de um novo dia, ele tem permissão para atualizar suas notas; se ele se sair pior, ele mantém suas notas antigas.
A equipe descobriu que essa abordagem de "aprendizado online adaptativo" foi a vencedora. Seu modelo, que se atualiza cuidadosamente todos os dias, foi significativamente melhor do que modelos que apenas ficam parados sem mudar (modelos estáticos) ou modelos que são completamente retreinados do zero todos os dias (modelos dinâmicos). Especificamente, seu modelo inteligente e de atualização reduziu o erro médio em suas previsões em cerca de 23% em comparação com o modelo estático. Eles também descobriram que fornecer ao modelo uma lista de quais fontes de energia estavam ativas (a "mistura de geração") foi um divisor de águas; sem essa informação, o modelo ficava muito mais confuso. Além disso, seu sistema de correção especial, que incluía uma penalidade para saltos de preço serrilhados e irreais, ajudou o modelo a prever as horas de pico complicadas com muito mais precisão. Em resumo, o artigo sugere que a melhor maneira de prever esses preços selvagens de eletricidade não é construir um modelo perfeito uma vez e esquecê-lo, mas sim construir um modelo flexível que aprende um pouco a cada dia, verifica seu próprio trabalho e só muda de ideia quando tem certeza de que está ficando mais inteligente.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.