Forudsiger krav til elektricitet

Forskning offentliggjort i International Journal of Energy Technology and Policy viser, hvordan et neuralt netværk kan trænes med en genetisk algoritme til at forudsige kortsigtede krav til elbelastning. Chawalit Jeenanunta og Darshana Abeyrathna fra Thammasat University, i Thani, Thailand, forklare, at det er kritisk for elproducenter at kunne estimere, hvor stor efterspørgsel der vil være på deres systemer i de næste 48 timer. Uden sådanne forudsigelser, der vil uundgåeligt være mangler i elproduktion, når efterspørgslen er højere end anslået eller energi og ressourcer spildt, hvis efterspørgslen er lavere end forventet.

Holdet har brugt data fra Thailands elproduktionsmyndighed (EGAT) til at træne et neuralt netværk via en genetisk algoritme. Resultaterne sammenlignes med den mere konventionelle tilbage-udbredelsestilgang til forudsigelse og viser, at systemet er meget bedre og forudsiger stigning og fald i efterspørgsel efter elektricitet. Den genetiske algoritme neurale netværk (GANN) tilgang tager omkring 30 minutter at træne til forudsigelse sammenlignet med 1 minut til ryg-formering træning af et neuralt netværk. Imidlertid, merværdien af ​​meget mere præcise forudsigelser opvejer langt denne ekstra tid og kræfter.