FTimeDD: マルチエネルギー負荷予測のための時間周波数協調モデル

• トルコのEPİAŞデータを用い、4つの深層学習モデル(TimesNet, PatchTST, iTransformer, TFT)で電力消費予測のベンチマークを実施
• iTransformerがMAE=521.34 MWh, RMSE=748.12 MWh, R2=0.9881, MAPE=1.34%で最高精度を達成

本稿では、風力エネルギーシステムにおける風速予測の信頼性と精度を向上させるため、方程式ベースのダイナミクスとデータ駆動型ダイナミクスを統合した新しいネットワークモデル「DynWindNet」を提案する。このモデルは、物理法則に基づいたダイナミクスとデータ駆動型ダイナミクスを、注意機構を用いたゲーティングメカニズムによる適応的な情報交換を可能にする物理-データカップリングモジュール(PDCM)を介して統合する。さらに、周波数認識強化モジュール(FAEM)を導入し、データ駆動型ブランチの表現を洗練させる。ERA5データセットを用いた実験の結果、DynWindNetは代表的なベースライン手法を上回…

• 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

スマートグリッドにおけるエネルギー分配の最適化と再生可能エネルギー源の統合には、正確な負荷予測が不可欠である。しかし、従来の集中型深層学習アプローチは、分散型エネルギー消費者が関与するシナリオにおいて、データプライバシー、通信オーバーヘッド、スケーラビリティに関する大きな課題を抱えている。本研究では、ゲート付き回帰ユニット(GRU)ネットワークを活用した連合学習(FL)フレームワークを提案し、分散型かつプライバシー保護型の負荷予測を実現する。このアプローチは、連合平均(FedAvg)、連合近傍(FedProx)、トリム平均付き連合平均(FedTrimmedAvg)の3つの異なる集約戦略を用い…

位相変化材料(PCM)熱エネルギー貯蔵(TES)結合システムの最適スケジューリングにおける、負荷予測精度の不足と多目的最適化が局所最適解に陥りやすいという課題に対処するため、深層学習とインテリジェント最適化アルゴリズムを統合した革新的なフレームワークが提案された。負荷予測では、テンポラル畳み込みネットワーク(TCN)と双方向長短期記憶(BiLSTM)モデルに混合注意メカニズムを組み合わせたモデルが構築され、決定係数(R^2)は0.992、二乗平均平方根誤差(RMSE)は233W、平均絶対誤差(MAE)は183Wを達成し、比較モデルに対し大幅な改善が見られた。最適スケジューリングでは、多戦略改…