Ein hybrides optimales Merkmalsauswahl- und Conv-LSTM-Modell (OFSCL) zur kurzfristigen Energiebedarfsvorhersage in Verteilerschalthäusern von Ahvaz, Iran

Die Lichter in einer heißen Stadt am Laufen halten

Wenn eine Hitzewelle eintrifft, schalten Klimaanlagen in der ganzen Stadt ein und die Belastung des Stromnetzes kann innerhalb von Minuten ansteigen. Wenn Netzbetreiber falsch einschätzen, wie viel Strom benötigt wird, drohen in Stadtteilen Blackouts oder verschwenderische Überversorgung. Diese Arbeit konzentriert sich auf ein reales Umspannwerk in der heißen, feuchten Stadt Ahvaz im Südwesten Irans und stellt eine einfache, aber wichtige Frage: Kann man stundenweise vorhersagen, wie viel Energie dieses Umspannwerk liefern muss, indem man vergangene Nachfrage- und Wetterdaten intelligenter als bisher nutzt?

Warum kurzfristige Stromprognosen wichtig sind

Strom lässt sich nicht leicht in großem Maßstab speichern, daher muss das Angebot eng der Nachfrage folgen. In Verteilerschalthäusern, die Hochspannung für Haushalte und Unternehmen heruntertransformieren, ist dieses Gleichgewicht besonders sensibel. Der Bedarf ändert sich mit der Tageszeit, dem Wochentag, der Jahreszeit und dem Wetter, insbesondere Temperatur und Luftfeuchtigkeit. Traditionelle Vorhersagewerkzeuge – etwa einfache statistische Modelle – gehen oft von glatten Trends und einfachen Mustern aus. In der Realität ist der Stromverbrauch in einer heißen Stadt wie Ahvaz rauschbehaftet, nichtlinear und geprägt von plötzlichen Sprüngen durch Klimaanlagennutzung. Schlechte Prognosen können Transformatoren überlasten, die Lebensdauer von Geräten verkürzen und Betreiber zwingen, das Netz konservativ und weniger effizient zu betreiben.

Von einfachen Formeln zu lernenden Maschinen

In den letzten zehn Jahren haben Forschende zunehmend anspruchsvollere Methoden ausprobiert, von klassischen Machine-Learning-Modellen wie Entscheidungsbäumen und neuronalen Netzen bis hin zu Deep-Learning-Systemen, die sich für Zeitreihendaten eignen, etwa Long Short-Term Memory (LSTM)-Netze und Convolutional Neural Networks (CNN). Diese neueren Modelle können längerfristige Rhythmen und subtile Muster erkennen, die ältere Verfahren übersehen. Dennoch stehen sie vor zwei großen Herausforderungen. Erstens werden sie häufig mit Dutzenden Eingangsvariablen gefüttert – Stunden, Wochentage, Feiertage, Windgeschwindigkeit, Taupunkt, Druck und mehr – von denen viele eher Rauschen als nützliche Information hinzufügen. Zweitens fällt es ihnen schwer, gleichzeitig Moment-zu-Moment-Schwankungen und langsamere saisonale Verschiebungen zu nutzen. Das Ergebnis ist, dass die Genauigkeit bei realen, unruhigen Daten oft hinter dem zurückbleibt, was Netzbetreiber benötigen.

Ein hybrides Modell, das lernt, was wirklich zählt

Die Autoren schlagen eine neue hybride Deep-Learning-Architektur vor: das Optimal Feature Selection Conv-LSTM (OFSCL)-Modell. Es vereint zwei Stärken: Konvolutionsschichten, die viele Eingangsvariablen durchmustern und automatisch die informativsten Muster fokussieren, und LSTM-Schichten, die verfolgen, wie sich diese Muster im Zeitverlauf entwickeln. Im OFSCL reduziert der konvolutionale Teil schrittweise die weitergereichten Informationen, filtert Redundanz heraus und bewahrt gleichzeitig die Schlüssel­signale. Der LSTM-Teil lernt dann, wie sich diese verfeinerten Signale Stunde für Stunde und Tag für Tag ändern. Abschließend wandeln dichte Schichten diese kompakte Darstellung in eine einzige Prognose um: wie viel Energie das Umspannwerk im nächsten Zeitschritt benötigen wird.

Modellprüfung an einem realen Umspannwerk

Um zu prüfen, ob OFSCL in der Praxis funktioniert, sammelte das Team ein Jahr stündlicher Daten von einem Verteilerschalthaus in Ahvaz sowie detaillierte lokale Wetteraufzeichnungen, die extreme Sommertemperaturen ebenso wie kühlere Jahreszeiten abdecken. Sie verglichen OFSCL mit einer Bandbreite von Alternativen, darunter Entscheidungsbäume, k-nächste Nachbarn, Mehrschicht-Perzeptrone, reine LSTM- und CNN-Modelle sowie mehrere fortgeschrittene Hybride wie CNN-LSTM und LSTM mit Attention. Alle Modelle verwendeten dieselben Trainings- und Testsätze, und ihre Leistung wurde danach bewertet, wie eng Vorhersagen und tatsächlicher Energieverbrauch übereinstimmten. Das OFSCL-Modell erzielte ein R² von etwa 90 Prozent und die niedrigsten Fehlerscores, während es in weniger Zeit trainierte als viele andere Deep-Learning-Ansätze. Wiederholte Tests über verschiedene Datenfaltungen bestätigten, dass diese Verbesserungen konsistent und kein glücklicher Zufall waren.

Was das Modell über Wetter und Nachfrage lernt

Über die Genauigkeit hinaus wollten die Autoren verstehen, auf welche Eingaben sich das Modell am meisten stützte. Mittels einer gradientenbasierten Sensitivitätsanalyse maßen sie, wie stark kleine Änderungen jeder Eigenschaft die Vorhersage beeinflussten. Die Lufttemperatur erwies sich als dominanter Faktor, gefolgt vom Monat des Jahres und der relativen Luftfeuchtigkeit – ein Spiegelbild dessen, wie der Kühlbedarf mit Hitze und jahreszeitlichen Bedingungen ansteigt. Dagegen spielte die Frage, ob ein Tag ein Werktag oder Feiertag war, für dieses spezielle Umspannwerk eine deutlich geringere Rolle. Die Analyse zeigte außerdem, dass das Modell mit mehr Daten gegenüber winzigen Schwankungen weniger empfindlich wird und sich stattdessen auf stabile Muster einigt, statt übermäßig auf Rauschen zu reagieren.

Intelligentere Prognosen für das Netz

Alltagsgemäß zeigt die Studie, dass ein sorgfältig entworfener Lernmechanismus nicht nur vorhersagen kann, wie viel Strom ein stark genutztes Umspannwerk in den nächsten Stunden benötigen wird, sondern auch erklären kann, welche Aspekte des lokalen Klimas am wichtigsten sind. Indem es seine Eingaben automatisch filtert und sowohl schnelle Ausschläge als auch längere Trends erfasst, übertrifft das OFSCL-Modell eine Reihe bestehender Methoden und bleibt zugleich schnell genug für den Echtzeiteinsatz. Wenn solche Modelle erweitert und in weiteren Regionen und Umspannwerken getestet werden, könnten sie Versorgungsunternehmen helfen, näher an der Grenze zu operieren – die Stromversorgung zuverlässig zu halten, Verschwendung zu reduzieren und Städte besser auf heißere, energieintensivere Zukünfte vorzubereiten.

Zitation: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Schlüsselwörter: Energiebedarfsvorhersage, Tiefes Lernen, Elektrische Stromnetze, Wetter und Stromverbrauch, Zeitreihenprognose