持続可能なマイクログリッドにおける効率的な負荷予測と持続可能なエネルギー管理のためのインテリジェントモデル

要旨 マイクログリッドは、局所的なエネルギー配分システムにおけるエネルギーの持続可能性とレジリエンスを向上させる有望な解決策として浮上しています。効率的なエネルギー管理と正確な負荷予測は、マイクログリッドの運用を改善するための重要な側面の一つです。文献では、統計モデルを用いたエネルギー予測と負荷予測のさまざまなアプローチが議論されています。本研究では、太陽光および風力エネルギー生成の正確な予測のために機械学習（ML）技術を取り入れた新しいエネルギー管理フレームワークを提示します。予想されるアプローチは、バッテリーの充電状態（SoC）の正確な推定を伴うマイクログリッドにおける時系列に基づく負荷予測を強調しています。提案されたフレームワークの独自の特徴は、履歴負荷データを利用し、異なるMLモデルと組み合わせた時系列分析を用いて商業マイクログリッドシナリオにおける負荷需要を予測する点です。本研究では、Long Short-Term Memory（LSTM）モデルと線形回帰（LR）モデルを用いて、エネルギー生成の予測、負荷需要の予測、およびバッテリーのSoC予測といった3つの異なるケースにおける提案フレームワークを実験的に分析します。結果は、Random Forest（RF）およびLSTMモデルがそれぞれエネルギー予測と負荷予測において良好に機能することを示しています。一方で、人工ニューラルネットワーク（ANN）モデルは、SoC推定に関して優れた精度を示しました。さらに、本研究では、提案されたエネルギー管理フレームワークの有効性を評価するためのグラフィカルユーザーインターフェース（GUI）が開発されました。