Forskning publicerad i International Journal of Energy Technology and Policy visar hur ett neuralt nätverk kan tränas med en genetisk algoritm för att prognostisera kortsiktiga krav på elbelastning. Chawalit Jeenanunta och Darshana Abeyrathna från Thammasat University, i Thani, Thailand, förklara att det är avgörande för elproducenter att kunna uppskatta hur stor efterfrågan det kommer att vara på deras system under de närmaste 48 timmarna. Utan sådana förutsägelser, det kommer oundvikligen att uppstå brister i kraftproduktion när efterfrågan är högre än beräknat eller energi och resurser slösas om efterfrågan är lägre än förväntat.

Teamet har använt data från Thailands elgenererande myndighet (EGAT) för att träna ett neuralt nätverk via en genetisk algoritm. Resultaten jämförs med det mer konventionella tillvägagångssättet för back-propagation för förutsägelser och visar att systemet är mycket bättre och förutspår ökningen och minskningen av elbehovet. Den genetiska algoritmen neurala nätverk (GANN) tillvägagångssätt tar cirka 30 minuter att träna för förutsägelse jämfört med 1 minut för back-propagation träning av ett neuralt nätverk. Dock, mervärdet av mycket mer exakta förutsägelser uppväger vida denna extra tid och ansträngning.