イラン・アフヴァーズの配電変電所における短期電力需要予測のためのハイブリッド最適特徴選択およびConv-LSTMモデル（OFSCL）

暑熱都市で停電を防ぐ

熱波が来ると、市内で一斉にエアコンが稼働し、電力系統への負荷が数分で急増することがあります。系統運用者が必要な電力量を誤って見積もると、住宅地で停電が発生したり、過剰供給による無駄が生じたりします。本稿は、イラン南西部の高温多湿な都市アフヴァーズにある実際の変電所に着目し、過去の需要と天候データをこれまでより賢く利用して、その変電所が時間ごとに供給すべき電力量を予測できるか、という大きな意義を持つ単純な問いを投げかけます。

短期電力予測が重要な理由

電力は大規模に蓄えるのが難しいため、供給は需要に密接に追随する必要があります。高電圧を家庭や事業所向けに降圧する配電変電所では、このバランスが特に繊細です。需要は時刻、曜日、季節、そして特に気温や湿度といった天候によって変動します。従来の予測手法—例えば基本的な統計モデル—は滑らかな傾向や単純なパターンを仮定することが多いですが、アフヴァーズのような暑い都市の電力使用はノイズが多く非線形で、エアコン使用の急激な跳ね上がりに左右されます。予測精度が低いと変圧器の過負荷や寿命短縮を招き、運用者は系統を保守的かつ非効率に運用せざるを得なくなります。

単純な式から学習機へ

過去十年で研究者たちは意思決定木やニューラルネットワークのような古典的機械学習モデルから、長短期記憶（LSTM）や畳み込みニューラルネットワーク（CNN）のような時系列データに強いディープラーニングまで、より高度な手法を試してきました。これらの新しいモデルは、従来手法が見落とす長期的なリズムや微妙なパターンを抽出できます。しかし、依然として二つの大きな課題に直面します。第一に、入力変数として時間、曜日、祝日、風速、露点、気圧など数十の特徴を与えられることが多く、多くは有益というよりノイズを増やします。第二に、瞬時の変動とよりゆっくりした季節的な変化を同時に扱うのが難しい点です。そのため現実の雑多なデータ上では、系統運用者が求める精度に届かないことが少なくありません。

本当に重要なものを学ぶハイブリッドモデル

著者らはOptimal Feature Selection Conv-LSTM（OFSCL）と呼ぶ新しいハイブリッド深層学習アーキテクチャを提案します。本モデルは二つの強みを組み合わせます。多数の入力変数をふるいにかけ、有益なパターンに自動で注目する畳み込み層と、それらのパターンが時間とともにどう変化するかを追跡するLSTM層です。OFSCLでは、畳み込み部分が徐々に次段に渡す情報量を削減し、冗長性を除去しつつ主要な信号を保持します。続いてLSTM部分が精錬された信号の時間ごとの変化を学習します。最後に全結合層がこのコンパクトな表現を単一の予測値に変換します：次の時点で変電所が必要とするエネルギー量です。

実際の変電所でのモデル検証

OFSCLの実用性を確かめるため、研究チームはアフヴァーズの配電変電所から1年分の時間別データと、極端な夏の暑さから寒冷期までを含む詳細な局所気象記録を収集しました。OFSCLを意思決定木、k近傍法、多層パーセプトロン、純粋なLSTMおよびCNNモデル、CNN-LSTMや注意機構付きLSTMなどの先進的ハイブリッドと比較しました。全モデルは同一の訓練・テストセットで評価され、予測と実際の電力使用の近さで性能を判断しました。OFSCLは約90パーセントのR²と最小の誤差スコアを達成し、多くの他のディープラーニング手法より短い学習時間で済みました。データの異なるフォールドで繰り返しテストしても、これらの優位は偶然ではなく一貫した成果であることが確認されました。

天候と需要についてモデルが学んだこと

精度に加え、著者らはモデルがどの入力に最も依存しているかを把握したいと考えました。勾配に基づく感度解析を用いて、各特徴の小さな変化が予測にどれほど影響するかを測定しました。その結果、気温が最も支配的な要因として浮かび上がり、次いで月、相対湿度が続きました。これは、冷房需要が高温や季節条件で急増することを反映しています。対照的に、平日か祝日かという要素はこの特定の変電所でははるかに小さな役割にとどまりました。また解析は、モデルがより多くのデータを見るにつれて小さな変動への感度を低下させ、ノイズに過剰反応するのではなく安定したパターンに注目するようになることを示しました。

系統により賢い予測をもたらす

日常的な観点から、本研究は慎重に設計された学習システムが、忙しい変電所が今後数時間にどれだけの電力を必要とするかを予測できるだけでなく、地域気候のどの側面が最も重要かを説明できることを示しています。入力を自動的にフィルターし、短期の急変と長期の傾向の両方を捉えることで、OFSCLモデルは既存の多様な手法を上回る性能を示し、リアルタイム利用に十分な高速性も備えています。より多くの地域や変電所で拡張・検証されれば、こうしたモデルは公益事業が供給の限界近くでより効率的に運用するのに役立ち、電力の安定供給を維持し無駄を削減し、より高温で電力需要の大きい将来に都市を備えさせる可能性があります。

引用: 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

キーワード: 電力需要予測, ディープラーニング, 電力網, 天候と電力使用, 時系列予測