Reti LSTM con Funzione di Perdita Personalizzata per la Previsione dei Prezzi dell'Energia in California

Uno studio recente disponibile su arXiv introduce un innovativo framework di apprendimento online volto a prevedere i prezzi dell'elettricità del giorno successivo nel mercato energetico californiano. Questo sistema impiega reti Long Short-Term Memory (LSTM), considerando prezzi storici, modelli meteorologici e metodi di generazione di energia. I ricercatori hanno sviluppato una funzione di perdita personalizzata unica che integra l'Errore Assoluto Medio, la Divergenza di Jensen-Shannon e una penalità di levigatezza per aumentare l'accuratezza e l'interpretabilità. I risultati dimostrano che questo approccio su misura migliora significativamente le prestazioni predittive del modello, allineando le previsioni ai prezzi di mercato effettivi, un miglioramento vitale per i gestori della rete, i fornitori di energia e i consumatori.