A multi-scale patch embedding and dual-view feature learning network for multi-step forecasting in high-reliability low-carbon energy systems: Case studies in nuclear and wind

日本語

本論文は、原子力および風力発電の高信頼性低炭素エネルギーシステムにおいて、精度の高いマルチステップ予測を実現するための深層学習手法を提案する。マルチスケールパッチ埋め込みとデュアルビュー特徴学習を組み合わせることで、従来手法を上回る性能を示した。

English

This paper proposes a deep learning approach for accurate multi-step forecasting in high-reliability low-carbon energy systems, specifically nuclear and wind power. By combining multi-scale patch embedding and dual-view feature learning, the method outperforms traditional models in case studies.

日本のGX文脈において

日本では、再生可能エネルギーと原子力の出力安定化が重要課題であり、本手法は系統運用の高度化に貢献し得る。AIによる予測精度向上は、GX投資の効率化にも直結する。

In the global GX context

Globally, integrating variable renewables and nuclear requires advanced forecasting. This work presents a novel AI method that enhances reliability and operational efficiency of low-carbon power systems, relevant for grid operators and energy transition investors.