Onderzoek gepubliceerd in de International Journal of Energy Technology and Policy laat zien hoe een neuraal netwerk kan worden getraind met een genetisch algoritme om de vraag naar elektriciteitsbelasting op korte termijn te voorspellen. Chawalit Jeenanunta en Darshana Abeyrathna van de Thammasat Universiteit, in Thani, Thailand, uitleggen dat het van cruciaal belang is dat elektriciteitsproducenten kunnen inschatten hoeveel vraag er de komende 48 uur op hun systemen zal zijn. Zonder zulke voorspellingen er zullen onvermijdelijk tekorten zijn in de elektriciteitsopwekking wanneer de vraag hoger is dan geraamd of er zullen energie en hulpbronnen worden verspild als de vraag lager is dan verwacht.

Het team heeft gegevens van de elektriciteitsopwekkingsautoriteit van Thailand (EGAT) gebruikt om een ​​neuraal netwerk te trainen via een genetisch algoritme. De resultaten worden vergeleken met de meer conventionele back-propagation benadering van voorspelling en laten zien dat het systeem veel beter is en de stijging en daling van de elektriciteitsvraag voorspellen. De genetische algoritme neurale netwerk (GANN) benadering duurt ongeveer 30 minuten om te trainen voor voorspelling vergeleken met 1 minuut voor back-propagation training van een neuraal netwerk. Echter, de toegevoegde waarde van veel nauwkeurigere voorspellingen weegt veel zwaarder dan deze extra tijd en moeite.