Djupa residualnätverk med konvolutionell funktionsutvinning för kortsiktig lastprognos

Varför morgondagens elförbrukning spelar roll redan idag

Varje gång vi vrider på en strömbrytare måste elbolagen redan ha rätt mängd elektricitet redo. Producerar de för lite blinkar lampor och fabriker stannar; för mycket innebär slöseri med bränsle och pengar. Den här artikeln beskriver en ny metod inom artificiell intelligens som hjälper nätoperatörer att förutsäga, timme för timme, hur mycket el som kommer att användas nästa dag, i mycket olika klimat från snörika New England till tropiska Malaysia.

Utmaningen att gissa vårt dagliga energibehov

Kortsiktig lastprognos handlar om att förutsäga hur mycket elektricitet en region behöver från nästa timme upp till nästa vecka. Dessa prognoser styr avgörande beslut, såsom vilka kraftverk som ska startas, hur underhåll ska schemaläggas och hur energihandel planeras. Även en liten förbättring kan spara stora summor; för ett stort elbolag kan en minskning av prognosfelet med bara en procent innebära miljonbesparingar i bränslekostnader per år. Men elförbrukningen formas av många sammanflätade faktorer: tid på dygnet, veckodag, årstid, väder, helgdagar och förändrade vanor. Att tillförlitligt fånga alla dessa mönster är svårt, särskilt när energisystem blir mer komplexa och klimatförhållanden mer varierande.

Begränsningar hos tidigare smarta prognosverktyg

Forskare har länge försökt förbättra dessa prognoser med matematiska modeller och, på senare tid, med djupinlärning. Traditionella metoder som regression och enkla neurala nätverk har problem när antalet indata växer, ofta missar subtila mönster eller överanpassar till historiska data. Mer avancerade nätverk har olika styrkor och svagheter: konvolutionella nätverk är bra på att upptäcka kortsiktiga svängningar i data men inte långsiktiga trender; återkommande nätverk som LSTM och GRU kan följa längre sekvenser men är långsammare och svårare att träna; Transformer-modeller fångar komplexa relationer men kräver stora beräkningsresurser och kan bli instabila när de blir djupare. Ett populärt kompromissval, känt som ett djupt residualnät, lägger till "genomkopplings"-förbindelser som hjälper mycket djupa modeller att lära utan att träningen bryts. Men de flesta tidigare konstruktioner använde dessa residualtrick endast i de senare prediktionslagren, inte i de viktiga tidiga stegen när råa funktioner först extraheras.

En tvåstegsmodell som ser både nära och långt

Författarna föreslår ett omdesignat prognossystem kallat CNN‑Embedded Deep Residual Network. I det första steget fokuserar modellen på lokala detaljer. Den skickar in senaste lasten och temperaturhistoriken—från de senaste 24 timmarna upp till flera månader bakåt—genom endimensionella konvolutionsblock. Dessa block fungerar som rullande fönster som skannar tidsserier för att upptäcka återkommande former: morgontoppar, kvällsökningar, helgdagsdämpningar eller plötsliga väderdrivna toppar. Ett poolingsteg komprimerar varje upptäckt mönster till en kompakt sammanfattning, vilket minskar brus samtidigt som det viktigaste bevaras. Parallellt bearbetas kalenderinformation som årstid, veckodag och helgflags och slås samman. Tjugofyra små delnät, ett för varje timme av den kommande dagen, omvandlar sedan dessa berikade funktioner till en initial 24‑timmarsprognos.

Djup förfining och tester över två mycket olika nät

I det andra steget tar ett förbättrat residualnät denna första prognos och finslipar den. Staplade "block" med genomkopplingsförbindelser justerar timvärdena samtidigt som det dagliga övergripande formen hålls realistisk och hindrar träningsprocessen från att stagnera. Teamet tränade och justerade denna arkitektur på två verkliga datamängder: ISO New England, som täcker sex amerikanska delstater med starka årstidsväxlingar, och Malaysia, där elförbrukningen är jämnare i ett tropiskt klimat. De jämförde sin modell med en rad alternativa modeller, inklusive rena konvolutionella nätverk, flera återkommande nätverk, en Transformer, den ursprungliga residualnätverksdesignen och varianter som bara lade till antingen konvolution eller residualdelar isolerat. Prestanda bedömdes med vanliga felmått, särskilt medelabsolut procentfel, och testades för statistisk signifikans med intensiv bootstrap-omprovering.

Vad resultaten säger om smartare nät

CNN‑Embedded Deep Residual Network gav konsekvent de mest precisa prognoserna. På New England-data minskade det genomsnittliga procentfelet till ungefär 1,53 procent, vilket förbättrade starka residualbaserade konkurrenter med upp till cirka 11 procent. I Malaysia, där mönstren är jämnare och vinsterna svårare att uppnå, sänkte det ändå felet till cirka 5,06 procent och var bättre än alla andra modeller. Säsongstester visade att metoden hanterade vår‑ och sommartoppar, vinteruppvärmningsbehov och tropiska regn‑ och torrperioder utan att tappa i noggrannhet. Statistiska kontroller bekräftade att dessa förbättringar inte berodde på slump. För icke‑specialister är slutsatsen enkel: genom att kombinera ett "mikroskop" för kortsiktiga mönster med en "ryggrad" som stabiliserar djupinlärning erbjuder detta angreppssätt nätoperatörer ett mer tillförlitligt sätt att förutse morgondagens elbehov, vilket sparar pengar, minskar slöseri och stödjer omställningen till smartare, renare elsystem.

Citering: 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

Nyckelord: kortsiktig lastprognos, djupinlärning, elkraftnät, konvolutionella neurala nätverk, residualnätverk