Diepe residuele netwerken met convolutionele feature-extractie voor kortetermijn‑belastingsvoorspelling

Waarom het elektriciteitsverbruik van morgen vandaag telt

Elke keer dat we een schakelaar omzetten, moeten energiebedrijven al de juiste hoeveelheid elektriciteit paraat hebben. Produceren ze te weinig, dan flikkeren de lampen en staan fabrieken stil; te veel, en ze verspillen brandstof en geld. Dit artikel onderzoekt een nieuwe kunstmatig‑intelligente methode die netbeheerders helpt uur voor uur te voorspellen hoeveel elektriciteit mensen de volgende dag zullen gebruiken, in zeer uiteenlopende klimaten van het besneeuwde New England tot het tropische Maleisië.

De uitdaging van het raden van onze dagelijkse energiebehoefte

Kortetermijn‑belastingsvoorspelling is de taak om te voorspellen hoeveel elektriciteit een regio nodig zal hebben van het komende uur tot de komende week. Deze voorspellingen sturen cruciale beslissingen, zoals welke elektriciteitscentrales opgestart moeten worden, hoe onderhoud ingepland wordt en hoe energiehandel gepland wordt. Zelfs een kleine verbetering kan grote bedragen besparen; voor een groot nutsbedrijf kan het terugbrengen van de fout in de voorspelling met slechts één procent miljoenen dollars brandstofkosten per jaar schelen. Maar de elektriciteitsvraag wordt gevormd door vele onderling verweven factoren: tijd van de dag, dag van de week, seizoen, weer, feestdagen en veranderende gewoonten. Al deze patronen betrouwbaar vastleggen is moeilijk, vooral nu energiesystemen complexer worden en klimaatomstandigheden volatieler.

Beperkingen van eerdere slimme voorspellingsmiddelen

Onderzoekers proberen deze voorspellingen al lange tijd te verbeteren met wiskundige modellen en, meer recent, met diep leren. Traditionele benaderingen zoals regressie en eenvoudige neurale netwerken hebben moeite wanneer het aantal invoerparameters groeit; ze missen vaak subtiele patronen of overfitten op historische data. Geavanceerdere netwerken hebben elk hun sterktes en zwaktes: convolutionele netwerken zijn goed in het herkennen van kortetermijn‑fluctuaties in de data maar niet in langetermijntrends; recurrente netwerken zoals LSTM en GRU kunnen langere reeksen volgen maar zijn traag en moeilijker te trainen; Transformer‑modellen leggen complexe relaties vast maar vragen veel rekenkracht en kunnen instabiel worden naarmate ze dieper worden. Een populaire tussenweg, bekend als een diep residueel netwerk, voegt "shortcut"‑verbindingen toe die zeer diepe modellen helpen te leren zonder dat de training instort. Toch gebruikten de meeste eerdere ontwerpen deze residuele trucs alleen in latere voorspellingslagen, niet tijdens de cruciale vroege stadia wanneer ruwe kenmerken voor het eerst worden geëxtraheerd.

Een tweefasig model dat dichtbij en ver weg kijkt

De auteurs stellen een herontworpen voorspellingssysteem voor, het CNN‑Embedded Deep Residual Network. In de eerste fase richt het model zich op lokale details. Het voert recente belastings- en temperatuurhistorie—variërend van de afgelopen 24 uur tot de afgelopen enkele maanden—door eendimensionale convolutionele blokken. Deze blokken werken als schuivende vensters die tijdreeksen scannen om terugkerende vormen te detecteren: ochtendpieken, avondstormen, weekenddips of plotselinge weergedreven uitschieters. Een pooling‑stap comprimeert elk gedetecteerd patroon tot een compacte samenvatting, waardoor ruis vermindert terwijl het belangrijkste behouden blijft. Parallel daaraan worden kalendergegevens zoals seizoen, weekdag en feestdagflags verwerkt en samengevoegd. Vierentwintig kleine subnetwerken, één voor elk uur van de komende dag, zetten deze verrijkte kenmerken vervolgens om in een initiële 24‑uursvoorspelling.

Diepe verfijning en tests op twee zeer verschillende netten

In de tweede fase neemt een verbeterd residueel netwerk deze eerste voorspelling en werkt het bij. Gestapelde “blokken” met shortcut‑verbindingen passen de uurwaarden aan terwijl ze de algehele dagcurve realistisch houden en voorkomen dat het trainingsproces vastloopt. Het team trainde en stemde deze architectuur af op twee realistische datasets: ISO New England, dat zes Amerikaanse staten beslaat met sterke seizoensschommelingen, en Maleisië, waar het elektriciteitsverbruik stabieler is onder een tropisch klimaat. Ze vergeleken hun model met een breed scala aan alternatieven, waaronder pure convolutionele netwerken, verschillende recurrente netwerken, een Transformer, het oorspronkelijke residuele netwerontwerp en varianten die alleen convolutionele of residuele onderdelen afzonderlijk toevoegden. De prestaties werden beoordeeld met gangbare foutmaten, met name de mean absolute percentage error, en getest op statistische significantie met intensieve bootstrap‑resampling.

Wat de resultaten zeggen over slimmere netten

Het CNN‑Embedded Deep Residual Network leverde consequent de meest nauwkeurige voorspellingen. Op de New England‑data bracht het de gemiddelde procentuele fout terug tot ongeveer 1,53 procent, een verbetering ten opzichte van sterke residueel‑gebaseerde concurrenten tot ongeveer 11 procent. In Maleisië, waar patronen vloeiender zijn en winsten moeilijker te behalen, sneed het de fout nog terug tot circa 5,06 procent en overtrof het alle andere modellen. Seizoentests toonden aan dat de methode omging met lente‑ en zomerpieken, winterverwarmingsbelastingen en tropische regens en droge seizoenen zonder nauwkeurigheid te verliezen. Statistische controles bevestigden dat deze verbeteringen niet door toeval veroorzaakt waren. Voor niet‑specialisten is de conclusie eenvoudig: door een "microscoop" voor kortetermijnpatronen te combineren met een "ruggegraat" die diep leren stabiliseert, biedt deze aanpak netbeheerders een betrouwbaardere manier om het elektriciteitsverbruik van morgen te voorspellen, wat geld bespaart, verspilling vermindert en de overgang naar slimmere, schonere energiesystemen ondersteunt.

Bronvermelding: 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

Trefwoorden: kortetermijn‑belastingsvoorspelling, diep leren, elektriciteitsnet, convolutionele neurale netwerken, residuele netwerken