スマートマイクログリッドにおける堅牢なトランスフォーマーベースモデルを用いたCLM-formerによるマルチホライゾン時系列予測および負荷予測の強化

科学分野:

• 電気工学
• 人工知能
• データサイエンス

背景:

• 正確なマルチホライゾン負荷予測は、スマートグリッドの安定性と効率にとって非常に重要です。
• AutoformerのようなTransformerモデルは周期性を捉えますが、実世界のデータの急速な変化には苦労します。
• 住宅の電力消費は、複雑な長期トレンドと短期的な変動を示します。

研究 の 目的:

• 強化された住宅負荷予測のための新しい深層学習アーキテクチャを開発すること。
• マルチホライゾン電力消費量予測の精度を向上させること。
• 局所的および動的なパターンを捉える上での既存モデルの限界に対処すること。

主な方法:

• ハイブリッド深層学習アーキテクチャであるCLM-Formerを提案しました。
• 時系列分解、自己相関ベースの注意、畳み込みリカレントサブネットワーク（CLM-subNet）を統合しました。
• ベースラインモデルと比較して、実世界のスマートメーターデータでパフォーマンスを評価しました。

主要な成果:

• CLM-Formerは、複数の予測ホライゾンにわたって堅牢で適応性の高いパフォーマンスを示しました。
• モデルは、季節的依存関係と高解像度の電力使用量の変動の両方を効果的に捉えました。
• 包括的な評価において、さまざまなTransformerベースおよび深層学習ベースラインを上回りました。

結論:

• CLM-Formerは、住宅エネルギー予測のための有望なツールです。
• ハイブリッドアーキテクチャは、長期的な周期トレンドと短期的なダイナミクスをうまくモデル化します。
• 調査結果は、デマンドレスポンスとスマートグリッド管理に重要な意味を持ちます。