短期電力需要予測のための畳み込み特徴抽出を備えた深い残差ネットワーク

なぜ明日の電力使用量が今日重要なのか

スイッチを入れるたびに、電力会社はすでに適切な量の電力を用意しておく必要があります。発電が足りなければ明かりが瞬いたり工場が停止したりし、供給が多すぎれば燃料と費用が無駄になります。本稿は、電力系統の運用者が翌日の時間ごとの電力需要を予測するのに役立つ新しい人工知能手法を紹介します。対象は、雪深いニューイングランドから熱帯のマレーシアまで、非常に異なる気候条件です。

日々のエネルギー需要を推測する難しさ

短期電力需要予測は、次の1時間から1週間程度の間に地域が必要とする電力量を予測するタスクです。これらの予測は、どの発電所を稼働させるか、保守をいつ行うか、電力取引をどう計画するかといった重要な意思決定を導きます。わずかな改善でも巨額の節約につながり得ます。大規模な事業者であれば、予測誤差を1パーセント下げるだけで年間の燃料費が数百万ドル節約できることもあります。しかし電力需要は時間帯、曜日、季節、天候、祝日、生活習慣の変化など多くの要因が絡み合って形作られます。そうしたパターンを信頼性高く捉えるのは難しく、エネルギーシステムが複雑化し気候変動が大きくなるほど困難になります。

従来のスマート予測ツールの限界

研究者たちは数学的モデルや最近では深層学習によってこれらの予測を改善しようとしてきました。回帰や単純なニューラルネットワークといった従来手法は入力変数が増えると苦戦し、微妙なパターンを見落としたり過去データに過適合したりしがちです。より高度なネットワークにはそれぞれ長所と短所があります：畳み込みネットワークは短期的な変動を検出するのが得意ですが長期トレンドは苦手、LSTMやGRUといった再帰型ネットワークは長い系列を追える反面学習が遅く困難、Transformerは複雑な関係をとらえられるが計算負荷が大きく、深くなると不安定になりうる。広く使われる折衷案である深い残差ネットワークは、“ショートカット”接続を追加して非常に深いモデルでも学習が崩れにくくします。しかし従来の多くの設計は、この残差手法を主に予測の後半層で使っており、生データから特徴を抽出する重要な初期段階では十分に活用されていませんでした。

近いものと遠いものの両方を見る二段階モデル

著者らはCNN埋め込み型深層残差ネットワークと呼ぶ再設計された予測システムを提案します。第1段階では局所的な詳細に注目します。過去24時間から数か月にわたる直近の負荷と気温履歴を1次元畳み込みブロックに通します。これらのブロックはスライディングウィンドウのように時系列を走査して、朝のピーク、夕方の急増、週末の落ち込み、突発的な天候変動によるスパイクといった繰り返す形を検出します。プーリング工程で検出された各パターンを圧縮してコンパクトな要約にし、ノイズを減らしつつ重要な情報を保ちます。同時に、季節、曜日、祝日フラグといったカレンダー情報が処理されて統合されます。来る1日分の各時間帯に対応する24の小さなサブネットワークが、この強化された特徴から初期的な24時間予測を作り出します。

深い精緻化と二つの非常に異なる系統での検証

第2段階では、強化された残差ネットワークがこの初期予測を受け取り磨き上げます。ショートカット接続を持つ積み重ねられた“ブロック”が時間ごとの値を調整しつつ、日全体の形状を現実的に保ち、学習が停滞するのを防ぎます。著者らはこのアーキテクチャを、季節変動が顕著な米国の6州をまたがるISO New Englandのデータセットと、熱帯気候で電力使用が比較的安定しているマレーシアの実データの2つで学習・調整しました。比較対象には純粋な畳み込みネットワーク、複数の再帰型ネットワーク、Transformer、従来の残差ネットワーク設計、畳み込みのみや残差のみを追加した変種など幅広いモデルを含めました。性能評価は主に平均絶対パーセンテージ誤差などの一般的な誤差指標で行い、集中的なブートストラップ再抽出による統計的有意性の検定も実施しました。

より賢い電力網について結果が示すこと

CNN埋め込み型深層残差ネットワークは一貫して最も精度の高い予測を示しました。ニューイングランドのデータでは、平均誤差率を約1.53パーセントにまで下げ、強力な残差ベースの競合手法に対して最大で約11パーセントの改善を示しました。パターンが滑らかで改善が難しいマレーシアでも、誤差を約5.06パーセントまで削減し、他の全モデルを上回りました。季節別の検証では、春夏のピーク、冬の暖房負荷、熱帯の雨季・乾季いずれでも精度を維持できることが示されました。統計検定により、これらの改善が偶然によるものではないことも確認されました。非専門家向けの要点は明快です：短期的パターンのための「顕微鏡」と深層学習を安定化する「背骨」を組み合わせることで、この手法は網運用者に対し、明日の電力需要をより確実に予見する手段を提供し、コスト削減、廃棄の削減、よりスマートでクリーンな電力システムへの移行を支援します。

引用: 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

キーワード: 短期電力需要予測, 深層学習, 電力網, 畳み込みニューラルネットワーク, 残差ネットワーク