中国湖南省の電力網における複数ソースデータ駆動型翌日電力負荷予測:事例研究

• 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。

• SAXと階層的クラスタリングで住宅電力消費の代表負荷パターンを抽出し、LightGBMで負荷パターンと関連するアンケート属性を特定して多次元の電力使用行動プロファイルを構築した
• Informerアーキテクチャを、TCNベース埋め込み、確率的ブロックサンプリングアテンション、MLPベースクロスセルフアテンションデコーダーの3戦略で改良した
• 3207人の住宅ユーザーデータでMAE 0.0237、RMSE 0.0258、R2 0.945を達成し、元のInformer比でMAE 17.4%減、RMSE 19.8%減、R2 6.65%増、TransformerやLSTMベースラインも上回った

• MLP(多層パーセプトロン)と周期差ゲート付き回帰型ユニット(PDGRU)を組み合わせた新モデル「MPRF残差融合モデル」が短期電力負荷予測向けに提案された。MLPで主要特徴を抽出・分離し、周期差で最適化したGRUで詳細成分の周期性を捉え、特徴を融合して最終予測を生成する。
• 中国陝西省の実データセットによる検証で、提案モデルが他の予測手法より高い精度を示したと報告された。

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。

• 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