Um Novo Modelo de Rede Neural Convolucional Profunda Baseado em Evolução para Previsão Inteligente de Carga

O problema da previsão de carga elétrica emergiu como um tópico essencial para sistemas de energia e mercados de eletricidade que buscam minimizar custos. No entanto, este tópico apresenta um alto nível de complexidade. Nos últimos anos, redes neurais convolucionais (CNNs) têm sido usadas para resolver vários desafios complexos de aprendizado profundo, fazendo progressos substanciais em alguns campos e contribuindo para desempenhos de ponta. No entanto, o design da arquitetura das CNNs continua sendo um problema desafiador. Além disso, projetar uma arquitetura otimizada para CNNs melhora seu desempenho no processo de previsão. Este artigo propõe uma abordagem eficaz para o problema de previsão de carga elétrica usando um algoritmo de neuroevolução profunda para projetar automaticamente as estruturas das CNNs, utilizando um novo algoritmo evolutivo modificado chamado otimizador de lobo cinza aprimorado (EGWO). A arquitetura das CNNs e seus hiperparâmetros são otimizados pelo novo algoritmo discreto EGWO para aumentar sua precisão na previsão de carga. O método proposto é avaliado em dados em tempo real obtidos a partir de conjuntos de dados do Australian Energy Market Operator no ano de 2018. Os resultados da simulação demonstraram que o método proposto supera outros algoritmos de previsão comparados com base em diferentes métricas de avaliação.