Tiefe ResNet-Netzwerke mit konvolutioneller Merkmalextraktion für kurzfristige Lastprognosen

Warum der morgige Stromverbrauch schon heute wichtig ist

Jedes Mal, wenn wir einen Schalter umlegen, müssen die Energieversorger bereits die richtige Menge Elektrizität bereithalten. Produzieren sie zu wenig, flackern Lichter und Fabriken kommen zum Stillstand; zu viel und es wird Treibstoff und Geld verschwendet. Dieser Artikel untersucht eine neue Methode der künstlichen Intelligenz, die Netzbetreibern hilft, stundenweise vorherzusagen, wie viel Strom die Menschen am nächsten Tag in sehr unterschiedlichen Klimazonen verbrauchen werden – von verschneitem Neuengland bis zum tropischen Malaysia.

Die Herausforderung, unseren täglichen Energiebedarf zu erraten

Kurzfristige Lastprognose ist die Aufgabe, vorherzusagen, wie viel Strom eine Region von der nächsten Stunde bis zur nächsten Woche benötigen wird. Diese Vorhersagen steuern wichtige Entscheidungen, etwa welche Kraftwerke hochgefahren werden, wie Wartungen geplant werden und wie Energie gehandelt wird. Schon eine kleine Verbesserung kann große Summen sparen; für einen großen Versorger kann eine Verringerung des Prognosefehlers um nur ein Prozent Millionen von Dollar an Brennstoffkosten pro Jahr sparen. Aber die Stromnachfrage wird durch viele miteinander verknüpfte Faktoren geprägt: Tageszeit, Wochentag, Jahreszeit, Wetter, Feiertage und sich ändernde Gewohnheiten. All diese Muster zuverlässig abzubilden ist schwierig, besonders da Energiesysteme komplexer werden und klimatische Bedingungen variabler sind.

Grenzen früherer intelligenter Prognosetools

Forscher haben lange versucht, diese Prognosen mit mathematischen Modellen und neuerdings mit Deep Learning zu verbessern. Traditionelle Ansätze wie Regression und einfache neuronale Netze kämpfen, wenn die Zahl der Eingaben wächst; sie übersehen oft subtile Muster oder passen sich zu stark an vergangene Daten an. Fortgeschrittene Netztypen haben jeweils Stärken und Schwächen: Konvolutionelle Netze sind gut darin, kurzfristige Schwankungen zu erkennen, aber nicht langfristige Trends; rekurrente Netze wie LSTM und GRU können längere Sequenzen verfolgen, sind jedoch langsam und schwerer zu trainieren; Transformer-Modelle erfassen komplexe Beziehungen, erfordern aber hohe Rechenleistung und können bei zunehmender Tiefe instabil werden. Ein beliebter Kompromiss, das tiefe ResNet (Residual Network), fügt „Abkürzungs“-Verbindungen hinzu, die sehr tiefen Modellen helfen zu lernen, ohne dass das Training zusammenbricht. Die meisten früheren Designs setzten diese Residual-Tricks jedoch nur in den späteren Vorhersageschichten ein, nicht in den entscheidenden frühen Stadien, in denen Rohmerkmale erstmals extrahiert werden.

Ein zweistufiges Modell, das nah und fern betrachtet

Die Autoren schlagen ein neu gestaltetes Prognosesystem vor, das sie CNN-Embedded Deep Residual Network nennen. In der ersten Stufe konzentriert sich das Modell auf lokale Details. Es führt jüngere Last- und Temperaturverläufe – von den letzten 24 Stunden bis zu mehreren Monaten zurückreichend – durch eindimensionale Konvolutionsblöcke. Diese Blöcke wirken wie gleitende Fenster, die Zeitreihen scannen, um wiederkehrende Formen zu erkennen: Morgenhöhen, Abendspitzen, Wochenend‑Dellen oder plötzliche wetterbedingte Ausschläge. Ein Pooling-Schritt komprimiert jedes erkannte Muster zu einer kompakten Zusammenfassung, reduziert Rauschen und bewahrt zugleich die wichtigsten Informationen. Parallel dazu werden Kalenderdaten wie Jahreszeit, Wochentag und Feiertagskennzeichen verarbeitet und zusammengeführt. Vierundzwanzig kleine Subnetze, eines für jede Stunde des kommenden Tages, wandeln diese angereicherten Merkmale dann in eine erste 24‑Stunden‑Prognose um.

Tiefe Verfeinerung und Tests in zwei sehr unterschiedlichen Netzen

In der zweiten Stufe veredelt ein erweitertes Residualnetz diese Erstprognose. Gestapelte „Blöcke“ mit Abkürzungsanschlüssen passen die stündlichen Werte an, wobei die Gesamtform des Tages realistisch bleibt und das Training nicht ins Stocken gerät. Das Team trainierte und optimierte diese Architektur an zwei realen Datensätzen: ISO New England, das sechs US-Bundesstaaten mit starken jahreszeitlichen Schwankungen abdeckt, und Malaysia, wo der Stromverbrauch in einem tropischen Klima konstanter ist. Sie verglichen ihr Modell mit einer Vielzahl von Alternativen, darunter reine konvolutionelle Netze, mehrere rekurrente Netze, ein Transformer, das ursprüngliche Residual-Design und Varianten, die nur konvolutionelle oder nur residuale Teile isoliert hinzugefügt hatten. Die Leistung wurde mit gängigen Fehlermetriken beurteilt, insbesondere dem mittleren absoluten Prozentfehler, und mittels intensiven Bootstrap-Resampling auf statistische Signifikanz geprüft.

Was die Ergebnisse für intelligentere Netze aussagen

Das CNN-Embedded Deep Residual Network lieferte durchweg die genauesten Prognosen. Bei den New-England-Daten verringerte es den durchschnittlichen Prozentfehler auf etwa 1,53 Prozent und verbesserte damit starke Residual-basierte Wettbewerber um bis zu etwa 11 Prozent. In Malaysia, wo Muster gleichmäßiger sind und Verbesserungen schwerer zu erzielen sind, senkte es den Fehler dennoch auf etwa 5,06 Prozent und übertraf alle anderen Modelle. Saisonale Tests zeigten, dass die Methode Frühjahrs‑ und Sommerspitzen, Heizbedarfe im Winter sowie tropische Regen‑ und Trockenzeiten ohne Genauigkeitsverlust bewältigte. Statistische Prüfungen bestätigten, dass diese Verbesserungen nicht zufällig waren. Für Nicht‑Spezialisten ist die Schlussfolgerung klar: Indem ein „Mikroskop“ für kurzfristige Muster mit einem stabilisierenden „Rückgrat“ für tiefes Lernen kombiniert wird, bietet dieser Ansatz Netzbetreibern eine verlässlichere Möglichkeit, den morgigen Strombedarf vorherzusehen, Kosten zu sparen, Verschwendung zu reduzieren und den Übergang zu intelligenteren, saubereren Energiesystemen zu unterstützen.

Zitation: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

Schlüsselwörter: kurzfristige Lastprognose, Deep Learning, Stromnetz, Convolutional Neural Networks, Residual Networks