Le réseau neuronal convolutionnel (CNN) est couramment utilisé dans les reconnaissances et les classifications visuelles. Cependant, CNN peut également être appliqué en tant que prévisionniste qui peut extraire des caractéristiques de données spatio-temporelles. Cet article propose une méthode de prévision des prix de l'électricité 24h à l'avance, qui intègre CNN à un algorithme évolutif et utilise des données spatio-temporelles. La structure optimale du réseau CNN pour la prévision du prix marginal de localisation (LMP) a été obtenue à l'aide d'un algorithme génétique (GA). Un schéma de cartographie génétique a été initialement codé pour représenter l'espace de recherche et le processus de sélection, de mutation et de croisement a éliminé les structures qui ne satisfaisaient pas la fonction d'aptitude à la validation, puis des individus compétitifs ont été générés. Le processus d'évolution utilise l'erreur quadratique moyenne (RMSE) comme fonction de validation, qui est optimisée par l'entraînement du réseau CNN créé. Le schéma de cartographie génique proposé peut être utilisé pour concevoir une structure CNN optimale une fois que la cartographie entre les bits binaires géniques et les paramètres/hyperparamètres de CNN est donnée. Les ensembles de données LMP et de demande à venir du marché de l'énergie Pennsylvanie-Nouveau Jersey-Maryland (PJM) ont été utilisés pour démontrer la capacité évolutive de la méthode proposée et la découverte de structures CNN optimales. Chaque ensemble de données étudié a été regroupé en 4 sous-ensembles correspondant à différentes caractéristiques saisonnières (différents types de situations dans la vie réelle). Les résultats expérimentaux ont révélé que le GA-CNN proposé donnait toujours une précision de prévision plus élevée et des taux d'erreur plus faibles que les autres méthodes de prévision.

La red neuronal convolucional (CNN) se utiliza comúnmente en reconocimientos y clasificaciones visuales. Sin embargo, CNN también se puede aplicar como un pronosticador que puede extraer características de datos espaciotemporales. Este documento propone un método de pronóstico de precios de electricidad con 24 horas de anticipación, que integra CNN con un algoritmo evolutivo y utiliza datos espaciotemporales. La estructura óptima de la red CNN para el pronóstico del precio marginal de localización (LMP) se obtuvo utilizando un algoritmo genético (GA). Inicialmente se codificó un esquema de mapeo génico para representar el espacio de búsqueda y el proceso de selección, mutación y cruce eliminó estructuras que no satisfacían la función de aptitud de validación y luego se generaron individuos competitivos. El proceso de evolución utiliza el error cuadrático medio (RMSE) como función de adecuación de validación, que se optimiza entrenando la red CNN creada. El esquema de mapeo génico propuesto se puede utilizar para diseñar una estructura CNN óptima una vez que se proporciona el mapeo entre bits binarios de genes y parámetros/hiperparámetros de CNN. Se utilizaron conjuntos de datos diarios de LMP y demanda del mercado de energía de Pennsylvania-New Jersey-Maryland (PJM) para demostrar la capacidad evolutiva del método propuesto y el hallazgo de estructuras óptimas de CNN. Cada conjunto de datos estudiado se agrupó en 4 subconjuntos correspondientes a diversas características estacionales (diferentes tipos de situaciones en la vida real). Los resultados experimentales revelaron que el GA-CNN propuesto siempre arrojó una mayor precisión de pronóstico y tasas de error más bajas que otros métodos de pronóstico.

The convolutional neural network (CNN) is commonly used in visual recognitions and classifications. However, CNN can also be applied as a forecaster that can extract features from spatiotemporal data. This paper proposes a 24h ahead electricity price forecasting method, which integrates CNN with an evolutionary algorithm and utilizes spatiotemporal data. The optimal structure of the CNN network for the locational marginal price (LMP) forecasting was obtained using a genetic algorithm (GA). A gene mapping scheme was initially encoded to represent the search space and the process of selection, mutation, and crossover eliminated structures that did not satisfy the validation fitness function and then competitive individuals were generated. The evolution process uses the root mean square error (RMSE) as the validation fitness function, which is optimized by training the created CNN network. The proposed gene mapping scheme can be used to design an optimal CNN structure once the mapping between gene binary bits and parameters/hyperparameters of CNN is given. Day-ahead LMP and demand datasets from Pennsylvania-New Jersey-Maryland (PJM) power market were used to demonstrate the evolutionary capability of the proposed method and the finding of optimal CNN structures. Each studied dataset was grouped into 4 subsets corresponding to various seasonal characteristics (different types of situations in real life). Experimental results revealed that the proposed GA-CNN always yielded a higher forecasting accuracy and lower error rates than other forecasting methods.

تُستخدم الشبكة العصبية الالتفافية (CNN) بشكل شائع في التعرفات والتصنيفات البصرية. ومع ذلك، يمكن أيضًا تطبيق CNN كمتنبئ يمكنه استخراج الميزات من البيانات الزمانية المكانية. تقترح هذه الورقة طريقة التنبؤ بأسعار الكهرباء قبل 24 ساعة، والتي تدمج CNN مع خوارزمية تطورية وتستخدم البيانات الزمانية المكانية. تم الحصول على الهيكل الأمثل لشبكة CNN للتنبؤ بالسعر الهامشي الموقعي (LMP) باستخدام خوارزمية وراثية (GA). تم ترميز مخطط رسم الخرائط الجينية في البداية لتمثيل مساحة البحث وعملية الاختيار والطفرة والتقاطع والقضاء على الهياكل التي لا تفي بوظيفة التحقق من اللياقة البدنية ثم تم إنشاء أفراد منافسين. تستخدم عملية التطور الخطأ التربيعي لمتوسط الجذر (RMSE) كوظيفة لياقة للتحقق من الصحة، والتي يتم تحسينها من خلال تدريب شبكة CNN التي تم إنشاؤها. يمكن استخدام مخطط رسم الخرائط الجينية المقترح لتصميم بنية CNN مثالية بمجرد إعطاء رسم الخرائط بين البتات الثنائية الجينية والمعلمات/المعلمات الفائقة لـ CNN. تم استخدام LMP اليومية ومجموعات بيانات الطلب من سوق الطاقة في بنسلفانيا ونيوجيرسي وماريلاند (PJM) لإثبات القدرة التطورية للطريقة المقترحة وإيجاد هياكل CNN المثلى. تم تجميع كل مجموعة بيانات مدروسة في 4 مجموعات فرعية تتوافق مع الخصائص الموسمية المختلفة (أنواع مختلفة من المواقف في الحياة الواقعية). كشفت النتائج التجريبية أن GA - CNN المقترحة أسفرت دائمًا عن دقة تنبؤ أعلى ومعدلات خطأ أقل من طرق التنبؤ الأخرى.