短期間電力負荷予測のためのMPRF残差融合モデル

• 電力負荷予測における気象変動起因の予測誤差とロバスト性低下に対処するため、マルチ気象特徴量・大規模時系列モデル・軽量専門残差モデルを統合した協調的短期電力負荷予測フレームワークを開発した。
• 勾配ブースティング決定木とアテンションゲーティング機構を組み合わせた軽量モデルにより、低学習コストと迅速なオンライン適応で気象変動による局所的な負荷偏差を捉える。
• 気温・湿度・風速・降水量・日射量の多次元気象特徴量を大規模時系列予測モデルに統合し、負荷系列のグローバルな非線形進化を学習する。

• 中国湖南省の電力網を対象に、複数ソースのデータを統合した翌日電力負荷予測モデルを開発し、1年間の15分間隔実データでMAE 726.2MW、MAPE 2.04%、R2=0.9699を達成、比較モデルを上回った。
• モデルはECMWF IFS HRESの5チャンネル気象データを入力とするTimeXerバックボーンとフルグリッドエンコーダー、類似パターン検索、学習済み補正ゲート、日次レベル補正を組み合わせた構成。
• アブレーション評価で格子状気象フィールドの寄与が最大(MAEを308.6MW削減)であり、類似パターン検索が予測精度向上への寄与が最も大きかった。計算効率も高いと報告。

• DG-LSTM-SAモデルが提案され、3つの実世界エネルギーデータセットで評価された

• 配電網の線損失を高精度予測するため、mRMRによる特徴量選択、CNNによる空間相関・トポロジー固有パターン抽出、LSTMによる時間的進化・長期依存性の特徴付け、ベイズ最適化(BO)によるハイパーパラメータ自動調整を組み合わせた時空間特徴量融合ニューラルネットワークを開発した。
• IEEE標準配電テストフィーダーでのケーススタディと最先端機械学習手法との比較により、提案モデルの予測精度と汎化能力の有効性を検証した。

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。