先進的な機械学習、深層学習、時系列基盤モデルを用いた米国の再生可能エネルギー消費の予測：月次マルチセクターベンチマーキングと計画分析

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper provides a rigorous benchmarking framework that can be replicated for other countries and includes insights on model selection for energy forecasting.

🏢実務担当者:Energy planners and utilities can use the planning-focused evaluation to select models that support decision-making for renewable energy integration.

🏛政策担当者:Policymakers can leverage the scenario analysis to understand trade-offs between solar acceleration and diversification in renewable portfolios.

米国の再生可能エネルギー消費は過去50年間で大幅に拡大してきたが、この移行は総量の成長のみでは十分に特徴づけられない。本研究は、1973年1月から2025年12月までの完全な月次マルチセクターパネルを用いて、米国の再生可能エネルギー消費に関する統合的実証・予測・不確実性・整合化・シナリオ・計画フレームワークを開発した。分析データセットには、636の月次期間と5つの報告セクター（商業、電力、産業、住宅、運輸）にわたる3180のセクター・月観測値が含まれていた。本フレームワークは、データ調和、相互排他的な供給源ファミリー構築、長期トレンド分析、供給源構成の多様性指標、構造レジーム診断、セクター・供給源パネル分析、ローリング起点予測ベンチマーク、確率的区間評価、階層的整合化、将来シナリオ分析、意思決定重視の計画評価を組み合わせたものである。年間報告総再生可能エネルギー消費量は、1973年の2475.547兆Btuから2025年の7050.214兆Btuへ増加し、それぞれ約2.476 quadrillion Btuおよび7.050 quadrillion Btuに相当する。結果は、米国の再生可能エネルギー成長が供給源構成の変革でもあったことを示している：風力、太陽光、運輸用バイオ燃料、再生可能ディーゼル、廃棄物、その他の新興供給源が従来の木材および水力発電とともに重要性を増すにつれ、ポートフォリオの集中度は低下した。セクター・供給源間の不均一性は顕著であり、電力、産業、運輸はそれぞれ異なる再生可能エネルギー供給源プロファイルを示した。予測性能は、モデルファミリー、予測期間、検証ウィンドウ、対象グループ、評価レンズに強く依存していた。強力な統計的ベースラインと特徴量ベースのツリーモデルは、いくつかの深層学習アーキテクチャと同等以上に競争力があり、時系列基盤モデルは有用な現代的な比較対象を提供したが、キャリブレーションと予測期間固有の解釈を必要とした。選択された5つの基盤モデル比較対象はすべて正常に完了した。ChronosBoltは最速かつ最強の完了基盤モデル比較対象であり、実行時間の点でTimesFM、Moirai/Uni2TS、TimeGPT、LagLlamaがそれに続いた。しかし、基盤モデルの予測はピーク感応型計画には滑らかすぎ、点予測ベンチマークにおいて最強の特徴量ベースのツリーモデルを凌駕することはなかった。確率的診断は、名目カバレッジだけでは不十分であることを示した。なぜなら、区間幅、Winklerスコア、CRPS、視覚的検査により、対象固有のミスキャリブレーション、過小予測バイアス、弱いピークカバレッジが明らかになったからである。階層的および意思決定重視の評価はモデル選択の物語を変えた：ボトムアップおよび整合化された階層的予測は、名目上高度な多くの代替手法よりも強い計画損失および計画価値プロファイルを生み出し、選択されたツリーベースモデルは供給源シェア配分の維持に特に有用であった。シナリオ分析は、太陽光の加速が予測総量を増加させる一方で集中度とコヒーレンス乖離も増加させ、多様化は集中度を低下させるもののより広い不確実性バッファを必要とすることを示した。全体として、米国の再生可能エネルギー消費は、動的で多様化された階層的かつ計画感応型のシステムとして分析されるべきである。提案されたフレームワークは、単一モデルの予測主張を超えて、再生可能エネルギーの成長、供給源構成の進化、予測信頼性、不確実性、供給源配分、シナリオトレードオフ、計画価値を評価するための再現可能な基盤を提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

U.S. renewable energy consumption has expanded substantially over the past five decades, but this transition cannot be adequately characterized by aggregate growth alone. This study developed an integrated empirical, forecasting, uncertainty, reconciliation, scenario, and planning framework for U.S. renewable energy consumption using a complete monthly multisector panel from January 1973 through December 2025. The analytic dataset contained 3180 sector–month observations across 636 monthly periods and five reporting sectors: Commercial, Electric Power, Industrial, Residential, and Transportation. The framework combined data harmonization, mutually exclusive source-family construction, long-run trend analysis, source-mix diversification metrics, structural-regime diagnostics, sector–source panel analysis, rolling-origin forecast benchmarking, probabilistic interval assessment, hierarchical reconciliation, future scenario analysis, and decision-focused planning evaluation. Annual reported total renewable energy consumption increased from 2475.547 trillion Btu in 1973 to 7050.214 trillion Btu in 2025, equivalent to approximately 2.476 quadrillion Btu and 7.050 quadrillion Btu, respectively. The results show that U.S. renewable energy growth was also a source-mix transformation: the portfolio became less concentrated as wind, solar, transportation biofuels, renewable diesel, waste, and other emerging sources gained importance alongside legacy wood and hydroelectric power. Sector–source heterogeneity was substantial, with Electric Power, Industrial, and Transportation showing distinct renewable-source profiles. Forecasting performance depended strongly on model family, horizon, validation window, target group, and evaluation lens. Strong statistical baselines and feature-based tree models remained competitive or superior to several deep learning architectures, while time-series foundation models provided useful modern comparators but required calibration and horizon-specific interpretation. All five selected foundation model comparators completed successfully. ChronosBolt was the fastest and strongest completed foundation model comparator, followed in runtime by TimesFM, Moirai/Uni2TS, TimeGPT, and LagLlama; however, foundation model forecasts remained too smooth for peak-sensitive planning and did not displace the strongest feature-based tree models in point-forecast benchmarking. Probabilistic diagnostics showed that nominal coverage alone was insufficient because interval width, Winkler score, CRPS, and visual inspection revealed target-specific miscalibration, underforecast bias, and weak peak coverage. Hierarchical and decision-focused evaluation changed the model-selection narrative: bottom-up and reconciled hierarchical forecasts produced stronger planning-loss and planning-value profiles than many nominally advanced alternatives, while selected tree-based models were particularly useful for preserving source-share allocation. Scenario analysis showed that solar acceleration increased projected totals but also increased concentration and coherence divergence, whereas diversification reduced concentration but required wider uncertainty buffers. Overall, U.S. renewable energy consumption should be analyzed as a dynamic, diversified, hierarchical, and planning-sensitive system. The proposed framework provides a reproducible basis for evaluating renewable energy growth, source-mix evolution, forecast reliability, uncertainty, source allocation, scenario trade-offs, and planning value beyond single-model forecasting claims.

• openalex https://doi.org/10.3390/su18136730first seen 2026-07-22 04:49:53