長短期記憶リカレントニューラルネットワークを活用したデータ駆動型負荷予測の強化

再生可能エネルギー源の統合は、電力システムの機能と組織においてますます複雑さをもたらしています。気候的および社会経済的影響などの動的要因を考慮した正確な負荷予測は、効果的な管理に不可欠です。従来の統計分析や機械学習手法は、負荷データにおける複雑な時間的関係を正確に捉えることに苦労しています。リカレントニューラルネットワーク（RNN）、特に長短期記憶（LSTM）ネットワークは、データのシーケンスを表現し解釈する可能性を示しています。本研究は、負荷予測のためにLSTM-RNNモデルを採用するアプローチを提示します。本研究は、効果的な需要応答と分散型再生可能エネルギー源を組み合わせる上でのこの技術の重要性を強調しており、これはスマートグリッドの安定性と正確な電力需要の推定にとって不可欠です。LSTM-RNNモデルは、時間ごとの予測で1.5%の平均絶対パーセント誤差（MAPE）と26.5の平方根平均二乗誤差（RMSE）を持つ優れた精度を示します。さらに、年間の負荷推定では1.77%のMAPEと30のRMSEを達成します。時間ごとのLSTM-RNN負荷予測モデルは、誤差率が低いため、年間LSTM-RNN負荷予測モデルを上回ります。重要なことに、このモデルは、入力が不十分またはノイズが多い場合でも堅牢性を示します。要約すると、本研究は、LSTM-RNNが電力システムにおける負荷を正確に予測するための実用的かつ効率的なアプローチであることを示唆しています。これは、電力システムの運用効率とレジリエンスを向上させる能力を強調しています。