En hybrid optimal funktionsurval och Conv-LSTM‑modell (OFSCL) för korttidsprognoser av energiefterfrågan i distributionsstationer i Ahvaz, Iran

Hålla ljuset tänt i en het stad

När en värmebölja slår till startar luftkonditioneringar över hela staden och belastningen på elnätet kan skjuta i höjden på några minuter. Om nätoperatörerna gissar fel om hur mycket elektricitet som behövs riskerar kvarter strömavbrott eller slöseri genom överproduktion. Denna artikel fokuserar på en verklig distributionsstation i den heta, fuktiga staden Ahvaz i sydvästra Iran och ställer en enkel men höginsatsfråga: kan vi timme för timme förutse hur mycket effekt den stationen måste leverera, genom att använda historisk efterfrågan och väderdata på ett intelligentare sätt än tidigare?

Varför korttidsprognoser för el är viktiga

El kan inte lagras enkelt i stor skala, så utbudet måste följa efterfrågan nära. Vid distributionsstationer, som sänker högspänning för hem och företag, är denna balans särskilt känslig. Efterfrågan varierar med tid på dygnet, veckodag, årstid och väder, särskilt temperatur och luftfuktighet. Traditionella prognosverktyg—som enklare statistiska formler—antar ofta jämna trender och enkla mönster. I verkligheten är elanvändningen i en het stad som Ahvaz brusig, icke‑linjär och präglad av plötsliga hopp i luftkonditioneringsanvändning. Bristfälliga prognoser kan överbelasta transformatorer, förkorta utrustningens livslängd och tvinga operatörer att köra nätet konservativt och mindre effektivt.

Från enkla formler till lärande maskiner

Under det senaste decenniet har forskare provat mer sofistikerade metoder, från klassiska maskininlärningsmodeller som beslutsträd och neurala nät till djupa inlärningssystem som klarar tidsseriedata väl, till exempel Long Short‑Term Memory (LSTM)‑nätverk och Convolutional Neural Networks (CNN). Dessa nyare modeller kan upptäcka långsammare rytmer och subtila mönster som äldre tekniker missar. Trots det möter de fortfarande två stora utmaningar. För det första kan de få dussintals indata—timmar, dagar, helgdagar, vindhastighet, daggpunkt, tryck med mera—varav många tillför mer brus än nyttig information. För det andra kan de ha svårt att samtidigt fånga både ögonblickliga svängningar och långsammare säsongsförändringar. Resultatet blir att noggrannheten på verkliga, röriga data ofta inte når upp till vad nätoperatörer behöver.

En hybridmodell som lär sig vad som verkligen betyder något

Författarna föreslår en ny hybrid djupinlärningsarkitektur kallad Optimal Feature Selection Conv‑LSTM (OFSCL). Den kombinerar två styrkor: konvolutionella lager som sållar bland många indata och automatiskt fokuserar på de mest informativa mönstren, och LSTM‑lager som spårar hur dessa mönster utvecklas över tid. I OFSCL minskar den konvolutionella delen gradvis mängden information som förs vidare, filtrerar bort redundans samtidigt som nyckelsignaler bevaras. LSTM‑delen lär sig sedan hur dessa raffinerade signaler förändras timme för timme och dag för dag. Slutligen omvandlar täta lager denna kompakta representation till en enda prognos: hur mycket energi stationen kommer att behöva vid nästa tidpunkt.

Test av modellen på en verklig station

För att se om OFSCL fungerar i praktiken samlade teamet ett års timvisa data från en distributionsstation i Ahvaz, tillsammans med detaljerade lokala väderobservationer som täcker extrema sommarvärmeperioder såväl som svalare säsonger. De jämförde OFSCL med ett spektrum av alternativ, inklusive beslutsträd, k‑närmsta grannar, multilagerperceptron, rena LSTM‑ och CNN‑modeller samt flera avancerade hybrider såsom CNN‑LSTM och LSTM med attention. Alla modeller använde samma tränings‑ och testuppsättningar, och deras prestanda bedömdes efter hur nära prognoserna överensstämde med faktisk energianvändning. OFSCL‑modellen uppnådde ett R² på cirka 90 procent och de lägsta felmåtten, samtidigt som träningstiden var kortare än för många av de andra djupinlärningsmetoderna. Upprepade tester över olika datavarianter bekräftade att dessa förbättringar var konsekventa snarare än en lyckträff.

Vad modellen lär sig om väder och efterfrågan

Utöver noggrannheten ville författarna förstå vilka indata modellen förlitade sig mest på. Genom en gradientbaserad känslighetsanalys mätte de hur starkt små förändringar i varje funktion påverkade prognosen. Lufttemperatur framträdde som den dominerande faktorn, följt av månad på året och relativ luftfuktighet, vilket speglar hur kylningsbehovet ökar med värme och säsongsförhållanden. I kontrast spelade det mindre roll om en dag var vardag eller helgdag för just denna station. Analysen visade också att modellen blir mindre känslig för små fluktuationer ju mer data den ser, och i stället låser sig vid stabila mönster istället för att överreagera på brus.

Att föra smartare prognoser till elnätet

I vardagstermer visar studien att ett omsorgsfullt utformat lärandesystem inte bara kan förutse hur mycket elektricitet en trafikerad distributionsstation kommer att behöva under de närmaste timmarna, utan också förklara vilka aspekter av det lokala klimatet som betyder mest. Genom att automatiskt filtrera sina indata och fånga både snabba svängningar och längre trender överträffar OFSCL‑modellen en rad befintliga metoder samtidigt som den är tillräckligt snabb för realtidsbruk. Om modellen utsträcks och testas över fler regioner och stationer kan sådana system hjälpa elbolag att driva nätet närmare gränsen—hålla elen flytande pålitligt, minska slöseri och bättre förbereda städer för hetare, mer energiintensiva framtider.

Citering: 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

Nyckelord: prognoser för energiefterfrågan, djupinlärning, elnät, väder och elförbrukning, tidsserieförutsägelse