産業用マイクログリッドにおけるイベント駆動型CNN-LSTMを用いたグリッド交換予測:特徴量除去とマルチホライゾン評価
Event-Driven CNN–LSTM for Grid Exchange Forecasting in Industrial Microgrids: Feature Ablation and Multi-Horizon Evaluation
産業用マイクログリッドにおけるグリッド交換予測の精度向上のため、イベント駆動型CNN-LSTMフレームワークが提案された。このフレームワークは、PV発電量、グリッド交換量、およびPVランプレート(太陽光出力の急激な変化を捉える特徴量)を組み合わせる。7つの運用指標から3つの特徴量(PV発電量、グリッド交換量、PVランプレート)を選択し、集約予測に用いる。1年間の時間別データと1ヶ月間の15分間データを用いて評価した結果、提案モデルはRMSE 118.26 kW、R2 0.8463を達成し、ベースラインモデルを上回った。特徴量除去分析により、PV発電量が最も予測に寄与する情報であり、ランプレート特徴量はPV変動時に改善をもたらすことが確認された。イベントフラグは特定の物理イベント時に有用だが、恒久的にモデルに組み込むと集約予測精度を低下させる可能性があることが示された。
- 産業用マイクログリッドのグリッド交換予測向けに、イベント駆動型CNN-LSTMフレームワークが提案され、PV発電量・グリッド交換量・PVランプレートの3特徴量を7つの運用指標から選択して集約予測に用いる。
- 1年間の時間別データと1ヶ月間の15分間データでの評価でRMSE 118.26 kW、R2 0.8463を達成し、ベースラインモデルを上回った。
- 特徴量除去分析によりPV発電量が最も予測寄与が大きく、ランプレート特徴量はPV変動時に改善をもたらす一方、イベントフラグを恒久的に組み込むと集約予測精度が低下し得ることが示された。
産業用マイクログリッドの需給予測にCNN-LSTMのイベント駆動型フレームワークを適用した研究で、RMSE 118.26 kW・R2 0.8463という定量成果と、特徴量除去による寄与度分析(PV発電量が最重要、イベントフラグの恒久組み込みは精度を悪化)まで示している点が実務的。予測精度はマイクログリッドの運用最適化・蓄電池制御・デマンドレスポンスの収益性に直結するため、こうしたモデル設計ノウハウの蓄積はエネルギー系DXプレイヤーの競争力指標になり得る。ただし学術論文ベースで特定企業の製品・契約には結びついておらず、短期的な投資アクションには直結しにくい。