Numer: 05/2025 Str. 222
Autorzy: Abderrahim Bakir , Abdelkader Rami , Riyadh Bouddou :
Tytuł: Nowatorska hybrydowa sieć neuronowa optymalizowana do dokładnego prognozowania krótkoterminowych cen energii elektrycznej w inteligentnych sieciach.
Streszczenie: Dokładne prognozowanie cen energii elektrycznej w krótkim okresie (ST‑EPF) jest kluczowe dla zarządzania inteligentnymi sieciami i zapewnienia efektywnego funkcjonowania rynków. W niniejszym artykule przedstawiono nowy model Hybrydowej Głębokiej Sieci Neuronowej (HDNN), który łączy pięć zaawansowanych architektur: CNN, LSTM, BiLSTM, GRU oraz MLP. Model ten został zaprojektowany specjalnie do analizy złożonych wzorców przestrzennych i czasowych, które są nieodłączne w danych dotyczących cen energii elektrycznej. Dzięki optymali‑zacji Bayesowskiej, HDNN dostosowuje swoją strukturę i precyzyjnie reguluje hiperparametry, aby najlepiej dopasować się do unikalnych cech zbioru danych. Nasz model został przetestowany na dwóch zbiorach danych w czasie rzeczywistym z regionów WCMA i RI organizacji ISO New England, gdzie konsekwentnie przewyższał tradycyjne metody uczenia maszynowego, samodzielne modele głębokiego uczenia oraz inne hybry‑dowe warianty w kluczowych metrykach: MAPE, MAE, RMSE i R². Wyniki podkreślają wyjątkową dokładność i elastyczność modelu, czyniąc go cennym narzędziem dla uczestników rynku energii. Jego dynamiczna optymalizacja i elastyczna konstrukcja stanowią solidne ramy dla przyszłych zastosowań w prognozowaniu dla inteligentnych sieci
Słowa kluczowe: Hybrydowa Głęboka Sieć Neuronowa, Krótkoterminowe Prognozowanie Ceny Energii Elektrycznej, Inteligentna Sieć, Optymalizacja Hiperparametrów.