多段階太陽光発電予測における深層学習ベンチマーク:GRU、LSTM、BiLSTMアーキテクチャの比較評価
Deep Learning Benchmarks for Multi-Step Photovoltaic Power Forecasting: Comparative Assessment of GRU, LSTM, and BiLSTM Architectures
再生可能エネルギーの統合、動的リザーブ配分、発電スケジューリングにおいて、正確な太陽光発電(PV)電力予測は不可欠である。本稿では、GRU、LSTM、BiLSTMの3つの深層学習アーキテクチャの客観的なベンチマークを提供する。アルジェリアのRegganeにある175kWプラントの1年間のテレメトリデータを、72時間(15分間隔で288ステップ)の予測期間で評価した。モデルは、Diurnal Smart Persistenceベースラインに対し、日中のみ(GHI > 5 W/m2)の条件下で、1848回のローリング72時間予測ウィンドウにわたって系統的に評価された。精度は、日中容量正規化MAE(nMAE)、nRMSE、Diebold–Marianoテスト、ランプメトリクスを用いて評価された。結果は、深層学習アーキテクチャがパーシステンスを大幅に上回ることを示した(p < 0.001)。BiLSTMは、全体的な精度(nMAE=2.84%、nRMSE=3.60%)とランプ忠実度(F1-Ramp = 0.965)で最も優れた性能を示した。標準LSTMは競争力のある性能を示し(nMAE=3.19%)、GRUはより高い偏差を示した(nMAE=5.05%)。サブミリ秒のレイテンシ(0.07–0.11 ms/サンプル)は、15分間隔の運用において計算オーバーヘッドが無視できることを確認し、BiLSTMを運用に最適であると結論付けた。
- GRU・LSTM・BiLSTMの3アーキテクチャを、アルジェリアRegganeの175kW太陽光プラントの1年分テレメトリデータで72時間先(288ステップ)予測として比較評価した。
- 深層学習モデルはDiurnal Smart Persistenceベースラインを統計的有意に上回った(p 5 W/m2条件、1848回のローリング72時間予測ウィンドウ)。
- BiLSTMが総合精度で最良(nMAE=2.84%、nRMSE=3.60%)、ランプ忠実度F1-Ramp=0.965を示し、LSTMはnMAE=3.19%で競争力、GRUはnMAE=5.05%と偏差が大きかった。
- 推論レイテンシは0.07–0.11 ms/サンプルとサブミリ秒で、15分間隔の運用では計算オーバーヘッドが無視でき、BiLSTMが運用に最適と結論づけた。
太陽光発電予測という応用領域でGRU/LSTM/BiLSTMをベンチマークした学術研究であり、新規モデルや商用製品の発表ではなく投資判断に直結する事象は乏しい。ただしBiLSTMがnMAE=2.84%まで精度を高め、サブミリ秒レイテンシで15分間隔運用に耐えることを示した点は、再エネ統合・動的リザーブ配分・発電スケジューリングの効率化を通じて系統運用事業者や電力卸市場のプレーヤーに中期的なコスト改善余地があることを示唆する。深層学習ベースの予測が「実験段階」から「運用段階」へ移行しつつある証左として、再エネ予測ソフトウェア・系統運用ソリューションへの投資テーマを補強する材料として注目した。