説明可能なデュアルパス深層学習フレームワーク:DyRoPE-DPRLTとCuckoo-Catfish最適化による高精度PV電力予測
Explainable Dual-Path Deep Learning Framework Using DyRoPE-DPRLT with Cuckoo-Catfish Optimization for Accurate PV Power Prediction
本研究では、バイオインスパイアードハイパーパラメータ最適化を用いた独自のハイブリッド深層学習(DL)アーキテクチャを提案し、PV電力予測の精度向上を目指す。提案手法は、例外マイニング、データ変換、ビニングによる離散化、EDAによるデータ品質確保、自己相関ベースの特徴抽出、MinMaxスケーリングによる特徴エンジニアリングを経て、DyRoPE-DPRLT(Dynamic Rotary Positional Encoding–Enhanced Dual-Path Retention–Linear Attention Transformer with Adaptive Cross-Path Gated Fusion)を採用する。このモデルは、長期依存性を捉えるRetNetパスと局所パターン抽出のためのLinear Attention Transformerパスを組み合わせ、ACPG(Adaptive Cross-Path Gated Fusion)で両パスの情報を動的に統合する。ハイパーパラメータは、Cuckoo-Catfish Optimizer(CCO)によって最適化される。SHAP分析により、予測に影響を与える気象・時間的特徴が特定され、モデルの解釈可能性が向上する。実験では、提案モデルはR2値0.9875を達成し、Temporal Fusion Transformer(0.9759)やLSTM(0.9559)を上回る予測精度を示した。また、MAE=0.0199、MSE=0.000913、RMSE=0.0302、NRMSE=0.03034と、最も低い予測誤差を記録した。
- 太陽光発電(PV)電力予測の精度向上を目的としたハイブリッド深層学習アーキテクチャを提案し、R2値0.9875を達成
- Temporal Fusion Transformer(0.9759)やLSTM(0.9559)を上回る予測精度を確認、MAE=0.0199、RMSE=0.0302、NRMSE=0.03034と最も低い予測誤差を記録
- RetNetパスとLinear Attention TransformerパスをACPGで統合するDyRoPE-DPRLTを採用し、ハイパーパラメータをCuckoo-Catfish Optimizer(CCO)で最適化
- SHAP分析により予測に影響する気象・時間的特徴を特定し、モデルの解釈可能性を向上
太陽光発電(PV)の出力予測精度をR2=0.9875まで高めた研究で、予測誤差の低減は再エネの系統運用・出力変動リスク管理に直結する。ただし本件は学術論文レベルの提案手法であり、商用製品化や企業の実装発表ではない点に留意。投資判断としては、PV予測の高精度化が蓄電池・需給調整市場・発電事業者の収益安定化に波及するテーマとして、こうした予測モデルを採り入れるアセット運用側・蓄電システム側の動向を追う価値がある。