グラフニューラルネットワークとK-meansクラスタリングに基づく低圧配電網の短期集合住宅負荷予測

• 自己教師あり対照学習フレームワークGridCLを提案し、限定的なラベルデータ下で高精度な負荷プロファイリングを実現した
• 3つの匿名化都市データセットとPooledベンチマークで評価し、10%ラベル付きユーザーのみで0.845精度を達成した

スマートグリッドにおけるエネルギー分配の最適化と再生可能エネルギー源の統合には、正確な負荷予測が不可欠である。しかし、従来の集中型深層学習アプローチは、分散型エネルギー消費者が関与するシナリオにおいて、データプライバシー、通信オーバーヘッド、スケーラビリティに関する大きな課題を抱えている。本研究では、ゲート付き回帰ユニット(GRU)ネットワークを活用した連合学習(FL)フレームワークを提案し、分散型かつプライバシー保護型の負荷予測を実現する。このアプローチは、連合平均(FedAvg)、連合近傍(FedProx)、トリム平均付き連合平均(FedTrimmedAvg)の3つの異なる集約戦略を用い…

複数の計測ソースにまたがる精度のばらつきや、従来のデータ駆動型モデルのトポロジー変化への適応不足に対処するため、電力潮流制約に基づく配電網の状態推定法が提案された。まず、過去の事前情報を用いて欠損データを補完し、完全な計測データセットを構築し、異なるソースからの計測の信頼性を評価する信頼性指標を設定する。次に、配電網の物理的なトポロジーマップ構造に従い、状態推定を実現するために改良されたグラフニューラルネットワークアルゴリズムを提案する。バス電力バランスの関係をソフト制約として損失関数に埋め込み、推定結果と物理法則との一貫性を強化する。さらに、転移学習に基づくトポロジー変化の適応的方法を提案…

クラウドサービス、AI、大規模デジタルアプリケーションの急成長により、データセンターのエネルギー消費が増加している。本レビューは、データセンターの負荷予測におけるAIおよび機械学習(ML)技術の利用を調査する。従来の統計的手法、教師あり学習アルゴリズム、深層学習モデル、確率的予測技術、物理情報に基づいたハイブリッドアプローチを網羅する。予測期間、特徴量選択、性能評価、実運用上の課題も議論される。LSTM、GRU、Transformerベースのモデル、デジタルツイン(DT)フレームワークなどの先進的なアプローチは、予測性能を向上させ、エネルギー効率の高い運用を支援できる。これらの手法は、カーボ…

統合エネルギーシステム(IES)におけるマルチエネルギー負荷予測の課題に対処するため、時間周波数協調モデル「FTimeDD」が提案された。このモデルは、時間領域パスでトレンドと変動成分を分離し、周波数領域パスで主要な周期的特徴を抽出する二重パス分離アーキテクチャを採用している。ASU統合エネルギーシステムデータセットを用いた実験では、FTimeDDは様々な予測期間において優れた性能を示し、最良のベースラインと比較してMAE、RMSE、MAPEを平均でそれぞれ3.85%、2.48%、1.91%削減した。この手法は、モデル規模と計算コストを抑えつつ、予測精度を向上させる。