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

• 中国湖南省の電力網を対象に、複数ソースのデータを統合した翌日電力負荷予測モデルを開発し、1年間の15分間隔実データでMAE 726.2MW、MAPE 2.04%、R2=0.9699を達成、比較モデルを上回った。
• モデルはECMWF IFS HRESの5チャンネル気象データを入力とするTimeXerバックボーンとフルグリッドエンコーダー、類似パターン検索、学習済み補正ゲート、日次レベル補正を組み合わせた構成。
• アブレーション評価で格子状気象フィールドの寄与が最大(MAEを308.6MW削減)であり、類似パターン検索が予測精度向上への寄与が最も大きかった。計算効率も高いと報告。

• 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。

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…

• 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