分解情報を活用した深層学習による風力発電予測：CEEMDAN→VMDハイブリッドと特徴抽出・成分別深層学習器の組み合わせ

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

🔬研究者:Novel hybrid decomposition-deep learning framework (CEEMDAN-VMD-GRU-Attention) with strong empirical validation across multiple sites and horizons.

🏢実務担当者:Operational accuracy gains (25-35% error reduction) directly reduce spinning reserve costs and curtailment; can be integrated into existing EMS systems.

🏛政策担当者:Demonstrates that advanced forecasting can lower grid integration costs for wind power, supporting policy targets for renewable energy share and grid stability.

<title>抄録</title> <p>正確な風力発電予測は、系統安定性と再生可能エネルギー統合にとって依然として重大な課題であり、特に柔軟性が限られた新興電力系統において顕著である。本研究は、適応ノイズ付き完全アンサンブル経験モード分解（CEEMDAN）および変分モード分解（VMD）と、深層ゲート付き回帰ネットワーク（B6-CEEMDAN-VMD）を組み合わせたハイブリッド分解–学習フレームワークを提案する。二重分解によりマルチスケールの時間的特徴の抽出が可能となり、GRU–アテンション基盤が非線形依存関係と時間的ダイナミクスを複数の予測期間にわたって捕捉する。提案モデルは、7つの風力発電所のデータを用いて、1時間、4時間、24時間の予測期間で評価され、持続予測、線形回帰、ARIMA、勾配ブースティング（GBM）、および単体の深層モデルと比較された。結果は、B6がすべてのベースラインを上回り、平均絶対誤差（MAE）および二乗平均平方根誤差（RMSE）をGBMと比較して25～35%、持続予測と比較して40%以上低減することを示している。また、本モデルは強い空間的頑健性を示し、地理的に多様な地点間で低い予測誤差を維持する。運用面では、これらの精度向上は100 MW系統における回転予備力要件の26～30%削減につながり、より効率的な給電、出力抑制の低減、およびバックアップ燃料コストの削減に寄与する。全体として、CEEMDAN–VMD–深層学習のハイブリッド化は、新興再生可能エネルギー系統における短期および翌日風力予測を改善するための、拡張可能で物理的に整合性があり、データ効率の高いソリューションを提供する。</p>

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。

<title>Abstract</title> <p>Accurate wind power forecasting remains a critical challenge for grid stability and renewable energy integration, particularly in emerging power systems with limited flexibility. This study proposes a hybrid decomposition–learning framework that combines the Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) and Variational Mode Decomposition (VMD) with a deep gated recurrent network (B6-CEEMDAN-VMD). The dual decomposition enables the extraction of multi-scale temporal features, while the GRU–attention backbone captures nonlinear dependencies and temporal dynamics across horizons. The proposed model was evaluated on data from seven wind farms using 1-hour, 4-hour, and 24-hour forecast horizons and benchmarked against persistence, linear regression, ARIMA, gradient boosting (GBM), and standalone deep models. Results demonstrate that B6 outperforms all baselines, reducing mean absolute error (MAE) and root mean squared error (RMSE) by 25--35% compared to GBM and by more than 40% compared to persistence forecasts. The model also exhibits strong spatial robustness, maintaining low forecasting errors across geographically diverse sites. Operationally, these accuracy gains translate into a 26--30% reduction in spinning reserve requirements for a 100 MW grid, contributing to more efficient dispatch, reduced curtailment, and lower backup fuel costs. Overall, the CEEMDAN–VMD–Deep hybridization provides a scalable, physics-consistent, and data-efficient solution for improving short-term and day-ahead wind forecasting in emerging renewable energy systems</p>

• Research Square https://doi.org/10.21203/rs.3.rs-9856569/v1first seen 2026-06-12 04:29:20 · last seen 2026-06-25 04:24:39