太陽光発電の時系列予測のためのハイブリッドLSTM-Transformer-ACO深層学習モデル
Hybrid LSTM-Transformer-ACO deep learning models for time series forecasting of solar power (原題)
Sepahvand M, Mir A, Mehrdad V
🤖 gxceed AI 要約
日本語
LSTM・Transformer・蟻コロニー最適化(ACO)を組み合わせた太陽光発電予測のハイブリッド深層学習フレームワークを提案・評価した研究。全てのACO-LSTM-TF構成を網羅的に比較し、Nadam最適化時のLSTM-TF-ACOモデルがMAE 2.878%で最高精度を達成。電力負荷予測でもMAE 0.5065%と競合モデルを上回り、収束が速く計算コストも低いことからリアルタイムの系統運用に適する。
English
This study proposes hybrid deep learning frameworks combining LSTM, Transformer, and Ant Colony Optimization for solar power time-series forecasting. The LSTM-TF-ACO model achieves the best accuracy (MAE 2.878%) under Nadam optimization, and the ACO-LSTM-TF model reaches MAE 0.5065% for electrical load forecasting. The framework offers faster convergence and lower computational cost, suiting real-time grid applications.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
再エネ大量導入下の系統安定化は日本のGX推進（第7次エネルギー基本計画・再エネ主力電源化）の鍵であり、発電予測精度の向上は出力制御や需給調整の効率化に直結する。SSBJ開示とは直接の接続は薄いが、再エネ事業者の発電量管理・投資判断に資する。
In the global GX context
Accurate renewable forecasting underpins grid reliability as solar penetration grows under global decarbonization targets. While not a disclosure paper, it supports the operational backbone of renewable integration relevant to transition planning and clean-energy investment.
👥 読者別の含意
🔬研究者:メタヒューリスティクス最適化と深層学習の統合が予測精度・収束性に与える影響の実証的知見が得られる。
🏢実務担当者:再エネ発電事業者や系統運用者がリアルタイム予測モデルの選定・最適化手法の参考にできる。
🏛政策担当者:再エネ大量導入時の系統安定化策や予測精度要件の設計に示唆を与える。
📄 Abstract（原文）
<title>Abstract</title> <p>Accurate solar power forecasting is essential for reliable renewable energy integration and intelligent grid management. This study proposes and evaluates novel hybrid deep learning frameworks that combine Long Short-Term Memory (LSTM) networks, Transformer (TF) architectures, and Ant Colony Optimization (ACO) for time-series forecasting of solar power generation. A comprehensive investigation of all feasible ACO-LSTM-TF hybrid configurations is conducted and compared with their standalone counterparts under multiple optimization algorithms. Experimental results demonstrate that the proposed LSTM-TF-ACO model achieves the best forecasting performance, attaining a mean absolute error (MAE) of 2.878% for solar power prediction when optimized using Nadam. For actual electrical load forecasting, the ACO-LSTM-TF model achieves an MAE of 0.5065%, outperforming competing benchmark and hybrid models. In addition to superior predictive accuracy, the proposed framework exhibits faster convergence and lower computational cost, making it well suited for real-time energy forecasting applications. The findings highlight the effectiveness of integrating metaheuristic optimization with deep learning architectures and emphasize the importance of model optimizer selection in improving forecasting performance. The proposed hybrid framework provides a robust and scalable solution for AI-driven renewable energy forecasting and smart grid applications.</p>
🔗 Provenance — このレコードを発見したソース
- Research Square https://doi.org/10.21203/rs.3.rs-10646057/v1first seen 2026-10-17 04:21:55 · last seen 2026-10-26 04:20:55
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。