研究の概要

太陽光・風力の大量導入が進む電力系統において、「ネット負荷（系統から供給すべき正味の電力 = 総需要 − 再エネ発電量）」を正確に予測することは、系統安定運用と調整力コスト管理の生命線です。しかし従来の負荷予測モデルは再エネ容量がほとんどない時代に設計されており、再エネが増えるにつれて予測誤差が拡大する問題が顕在化しています。

本研究は、LSTM（長短期記憶ネットワーク）と全結合ニューラルネット（FCNN）という2種類のアーキテクチャを、2つの予測戦略で比較評価します。「直接法」は「ネット負荷を単一の出力として直接予測」、「間接法」は「総需要と再エネ発電量を個別に予測してから差し引き」する手法です。最大の革新は、系統内の再エネ導入容量（MW）を入力特徴量として明示的に追加したことです。これにより太陽光・風力容量の増加に連動して予測モデルが動的に適応できる設計になっています。

主な発見・成果

  • LSTMが全アーキテクチャ・手法の中で最優秀で、ネット負荷予測にリカレントアーキテクチャの有効性を実証
  • FCNN では間接法が直接法を上回るが、LSTMでは直接法・間接法の差が縮小
  • 再エネ導入容量を特徴量として追加することで予測精度が有意に改善し、変化する系統環境への動的適応を実現
  • アーキテクチャ選択が直接法vs間接法の優劣を決定するため、単純な「どちらが良い」という結論はない
  • IEEE標準系統での検証により他研究との比較可能性を確保

実務への応用

電力会社の需要予測担当・系統運用者・大規模自家消費型再エネ設備を持つ工場・データセンターの電力需要管理担当者に直接適用できる知見です。

最も重要な実務的知見は「再エネ導入が進む中で負荷予測精度を維持するには、再エネ容量を動的入力として組み込んだリカレントモデルへのアップグレードが必要」という点です。固定的な需要パターンを前提にした旧来の予測モデルは、再エネ急増とともに精度劣化が不可避です。LSTM間接法を採用したシステムでは、系統内の太陽光・風力容量データを定期的に更新することで長期的な予測精度を維持できます。

日本では2030年までに再エネ比率36〜38%（現在約22%）を目指す中で、電力会社・系統運用者の1日前予測精度の維持が系統調整コスト抑制に直結します。自家消費型太陽光を大量導入した大口需要家（自動車工場・データセンター等）では、社内電力管理（ピーク料金回避・蓄電池充放電スケジューリング）にも本手法を活用できます。再エネ時代の予測モデル刷新投資の設計基準として参照価値があります。