概要

本論文は、電力系統の信頼性と経済性を確保するための電力需要と再生可能エネルギー発電の予測精度向上を目的とした研究です。トランスフォーマーベースおよび大規模事前学習された機械学習基盤モデルが、他の領域での時系列予測で有望な成果を上げている一方、電力系統予測への応用はまだ十分に探索されていません。本研究では、テキサス電力信頼性評議会（ERCOT）グリッド用の高解像度ARPAEパフォーマンスデータセットを用いて、太陽光、風力、負荷予測タスクに対する最先端時系列基盤モデル、トランスフォーマー構造、およびディープラーニング基準モデルの包括的実証ベンチマークを提示します。

ポイント

  • 評価対象モデル: トランスフォーマーベースの基盤モデルや最先端時系列予測モデルなど複数のアーキテクチャを比較検討
  • 評価指標: ゼロショット性能、ファインチューニング効率、多変量入出力処理能力、予測期間感度など8つのコア能力を総合的に評価
  • 実データ利用: テキサス電力グリッド（ERCOT）の実測高解像度データを使用することで、実運用環境での適用可能性を検証
  • 再生可能エネルギー対応: 太陽光と風力発電という変動性の高いエネルギー源の予測精度向上に注力
  • 脱炭素への貢献: 正確な需給予測により、再生可能エネルギーの統合効率を高め、電力系統の安定性と脱炭素化を同時に実現

出典

Empirical Assessment of Time-Series Foundation Models For Power System Forecasting Applications

この記事はAIが海外情報を要約・翻訳したものです。元記事は出典リンクをご覧ください。