La xarxa CITIES, finançada dins del Programa Iberoamericà de Ciència i Tecnologia per al desenvolupament (CYTED), va organitzar el IV Congrés Iberoamericà de Ciutats Intel·ligents (ICSC-CITIES 2021) que es va dur a terme del 29 a l’1 de desembre de 2021. El congrés és un fòrum de discussió per crear sinergies entre diferents grups de recerca per afavorir el desenvolupament de les ciutats intel·ligents, abordant diferents temàtiques:
- IoT i dispositius ubicus
- Mobilitat intel·ligent
- Energia
- Xarxa intel·ligent
- Governança i ciutadania
- Eficiència energètica i sostenibilitat
- Indústria intel·ligent
- Medi ambient i entorn intel·ligent
- Economia, desenvolupament i educació intel·ligents
- Serveis públics intel·ligents (gestió de residus, salut, transport públic, etc.)
- Intel·ligència artificial per a ciutats intel·ligents
- Informàtica urbana, Big Data, gestió de dades i anàlisis per a ciutats intel·ligents
- Altres desenvolupaments per a Smart Cities
La Càtedra va participar-hi amb la presentació de l’article titulat “Optimization of a Hybrid Echo State Network methodology for forecasting the spot price of Iberian electricity market”.
Abstract. In the vast majority of UE countries, the electricity market is structured into day-ahead, an Intraday auction market and an Intraday continuous market. As an integral part of the electrical energy production market, the single day-ahead coupling (SDAC), aims to carry out electrical energy transactions by submitting selling and takeover bids for electrical energy on behalf of the market agents for the twenty-four hours of the next day. The electricity price forecast is a key information to help producers and purchasers involved in the electricity market to prepare their bidding strategies in order to maximize the profits and avoid penalties due to overconsumption or lack of generation. This work proposes a novel methodology to forecast day-ahead electricity based on Self-Organizing Map (SOM) and a set of Echo State Network (ESN) models. The SOM is in charge to cluster the input data automatically according to their similarity to train/infer the ESNs. The ESN models for regression are built on the categories clustered by SOM separately. ESN model parameters (leak rate and spectral radius) are automatically chosen by a genetic algorithm (GA) to improve prediction accuracy by up to 15%. The results suggest that SOM-ESN-GA provides a con-
siderable improvement in the forecast of the daily price in the Iberian electricity market, archiving MAPE results lower than the best forecasting works in the literature.
Keywords: Artificial neural networks, Recurrent neural network, Self-organizing map, Genetic algorithm, Electricity price forecasting, Echo state network.