← 論文一覧に戻る

改良ゴールデンジャッカル最適化を用いた欠損データに頑健なハイブリッドニューラルネットワークによる太陽光発電予測

A missing-data-robust hybrid neural network for photovoltaic power forecasting using improved Golden Jackal optimization (原題)

Liu M, Wu H, Qin L, Liu S, Cheng R, Chen L

Research Squareプレプリント2026-08-27#エネルギー転換経営インパクト: コスト削減対象セクター: power
DOI: 10.21203/rs.3.rs-10827664/v1
原典: https://doi.org/10.21203/rs.3.rs-10827664/v1

🤖 gxceed AI 要約

日本語

本論文は、欠損値を含む太陽光発電(PV)データに対して、データ補完、ハイブリッド深層学習、ハイパーパラメータ最適化を統合したPV出力予測フレームワークを提案する。時系列畳み込みネットワーク、双方向GRU、アテンション機構を組み合わせ、改良ゴールデンジャッカル最適化でチューニングする。15分間隔の系統連系PVデータで評価し、季節シナリオでMAE、MSE、RMSEが改善され、欠損データに対する頑健性を示した。

English

This paper proposes a PV power forecasting framework robust to missing data, integrating imputation, hybrid deep learning (TCN, BiGRU, attention), and improved Golden Jackal optimization. Evaluated on 15-minute grid-connected PV data, it achieves lower MAE, MSE, and RMSE across seasonal scenarios, improving accuracy and robustness for incomplete monitoring data.

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

日本では再生可能エネルギーの導入拡大に伴い、PV出力予測の精度向上は電力系統の安定運用に重要。特に、データ欠損への頑健性は、日本の気象変動や設備状況に応じた実運用で有用。

In the global GX context

Globally, accurate PV forecasting is critical for renewable integration and grid stability. This work addresses missing-data challenges common in real-world monitoring, offering a robust method applicable to various regions and supporting the transition to higher renewable penetration.

👥 読者別の含意

🔬研究者:PV予測における欠損データ処理とハイブリッドモデルの有効性を示す実証的知見を提供。

🏢実務担当者:電力会社や発電事業者は、PV発電所の運用計画や系統連系に活用できる予測手法を導入可能。

🏛政策担当者:再生可能エネルギー統合のための技術的進展として、政策支援の根拠となり得る。

📄 Abstract（原文）

<title>Abstract</title> <p>Accurate photovoltaic (PV) power forecasting is essential for power-system scheduling and reliable renewable-energy integration. However, PV monitoring data often contain missing values caused by communication interruption, sensor faults, and recording errors, which can reduce forecasting accuracy and model robustness. To address this problem, this paper proposes a missing-data-robust PV power forecasting framework that integrates data imputation, hybrid deep learning, and intelligent hyperparameter optimization. In the preprocessing stage, linear interpolation, multiple imputation, K-nearest-neighbor imputation, and random forest imputation are evaluated under different missing-data rates. The forecasting model combines a temporal convolutional network, a bidirectional gated recurrent unit, and an attention mechanism to capture local temporal patterns, bidirectional dependencies, and key time-step features. An improved Golden Jackal optimizer is further introduced to tune the model hyperparameters and enhance convergence. Experiments on grid-connected PV data with a 15-minute sampling interval show that the proposed model achieves lower MAE, MSE, and RMSE than the baseline network and the standard GJO-optimized model across seasonal scenarios, demonstrating improved accuracy and robustness for PV forecasting with incomplete monitoring data.</p>

🔗 Provenance — このレコードを発見したソース

🔔 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。