Resumen

La previsión del consumo de energía (ECF) es una cuestión política importante en las economías actuales. Un ECF preciso tiene grandes beneficios para las empresas eléctricas y tanto los errores negativos como los positivos conducen a un aumento de los costes de explotación. Este artículo propone un marco de programación genética basado en la semántica para abordar el problema del ECF. En particular, proponemos un sistema que encuentra soluciones (casi) perfectas con alta probabilidad y que genera modelos capaces de producir predicciones casi óptimas también sobre datos no vistos. El marco de trabajo combina una versión recientemente desarrollada de la programación genética que integra operadores genéticos semánticos con un método de búsqueda local. La idea principal al combinar la programación genética semántica y un buscador local es acoplar la capacidad de exploración de la primera con la capacidad de explotación de la segunda. Los resultados experimentales confirman la idoneidad del método propuesto para predecir el consumo de energía. En particular, el sistema produce un error menor con respecto a las técnicas existentes del estado del arte utilizadas en el mismo conjunto de datos. Y lo que es más importante, este estudio de caso ha demostrado que la inclusión de un buscador local en el sistema de programación genética semántica geométrica puede acelerar el proceso de búsqueda y dar lugar a modelos más ajustados que son capaces de producir una predicción precisa también en datos no vistos.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:programación genética semántica, datos no vistos, buscador local, aumento del coste de explotación, previsión del consumo de energía, métodos de búsqueda local, marco de programación genética, operador genético semántico, cuestiones políticas importantes, consumo de energía
• Keywords:semantic genetic programming, unseen data, local searcher, increased operating cost, energy consumption forecasting, local search methods, genetic programming framework, semantic genetic operator, important policy issues, energy consumption