短期風力発電予測のためのCPO最適化BiTCN–BiGRU–Attentionネットワーク

短期の風力発電予測は、高い再生可能エネルギー浸透が特徴の電力網の安定性を維持するために重要です。しかし、風力発電の時系列は、局所的な乱流による変動や長期的な時間依存性など、複雑な特性を示し、従来の予測モデルに挑戦をもたらします。さらに、ハイブリッド深層学習モデルの性能は、非凸最適化表面上でのハイパーパラメータ調整の難しさによってしばしば妨げられます。これらの課題に対処するため、本研究は新たなフレームワークCPO—BiTCN—BiGRU—Attentionを提案します。物理的に動機付けられた「フィルタ—記憶—焦点」戦略を採用し、モデルはまず膨張因果畳み込みを用いた双方向時系列畳み込みネットワーク（BiTCN）を使用して、マルチスケールの局所的特徴を抽出し、生データをノイズ除去します。その後、双方向ゲート付き再帰ユニット（BiGRU）がグローバルな時間的進化を捉え、注意メカニズムがランプイベントに対応する重要な時間ステップに動的に重みを付けます。ハイパーパラメータの不確実性を軽減するために、Crowned Porcupine Optimization（CPO）アルゴリズムを導入し、従来の群知能アルゴリズムよりも効果的にグローバルな探索とローカルな活用のバランスを取ってネットワーク構造を適応的に調整します。中国新疆の実世界の風力発電所データから得られた実験結果は、提案モデルが最先端のベンチマークモデルを一貫して上回ることを示しています。競合する最良の方法と比較して、提案フレームワークはMAEおよびMAPEを約30〜45%削減し、競争力のあるRMSE性能を維持し、変動する運用条件下でも平均予測精度とロバスト性が改善されていることを示しています。結果は、提案されたアーキテクチャが局所的なノイズをグローバルトレンドから効果的に分離し、電力網の配信アプリケーションにおける短期風力発電予測のための堅牢で実用的なソリューションを提供することを確認しています。