Förtänslighet för minibatchstorlek i djupa residualnät för korttidsprognoser av belastning: en empirisk studie

Varför denna forskning är viktig för vanliga elkonsumenter

Att hålla lamporna tända till ett rimligt pris beror på hur väl elbolagen kan gissa morgondagens elbehov. Denna studie granskar ett förvånansvärt enkelt träningsval i moderna artificiella intelligensmodeller som prognostiserar efterfrågan: hur många exempel som visas för modellen åt gången. Genom att noggrant testa denna “minibatch-storlek” visar författarna att rätt val i denna detalj kan göra prognoser mer precisa och mer tillförlitliga över mycket olika klimat.

Hur elbehov förutsägs idag

Elbehovet varierar med dygnstid, årstid och väder, och även små förbättringar i prognosnoggrannhet kan spara stora verk miljontals dollar varje år. Äldre prognosmetoder förlitade sig på statistiska formler som hade svårt att fånga dagens komplexa användningsmönster. Nyare djupa inlärningsmodeller hanterar rörigt, icke-linjärt beteende bättre men kan vara svåra att träna. Särskilt har djupa residualnät, som för vidare information via genvägsvägar, blivit populära för att förutsäga kortsiktig efterfrågan eftersom de kan lära sig djupa mönster utan att bli instabila.

Två nät, två klimat, en fråga

För att se hur träningsval påverkar dessa modeller studerar författarna två verkliga kraftsystem. Ett ligger i New England i USA, med kraftiga årstidsväxlingar från vinteruppvärmning och sommarens kylbehov. Det andra finns i tropiska Malaysia, där årstiderna är mindre uttalade och korta väder- och regnskurar spelar större roll. För New England använder de ett residualnät som tar tidigare efterfrågan och temperatur som indata. För Malaysia testar de både denna modell och en variant som komprimerar många vädermätningar till ett fåtal nyckelfunktioner med en matematisk teknik, vilket minskar redundans samtidigt som det mesta av den användbara klimatinformationen bevaras.

Vad minibatch-storleken faktiskt styr

Att träna en djupinlärningsmodell innebär att justera miljontals interna parametrar för att minska skillnaden mellan förutsagd och faktisk efterfrågan. Minibatch-storleken är antalet tidssteg modellen ser innan varje justering. Små batchar gör uppdateringarna brusiga och slumpmässiga, vilket kan hjälpa modellen att utforska men också göra träningen hoppig. Mycket stora batchar ger jämnare uppdateringar men kan driva modellen mot lösningar som passar träningsdata för tajt och generaliserar dåligt. Den centrala frågan är om det finns en gyllene medelväg för dessa residualnät som används i kraftprognoser, och om den vägen är densamma i olika klimat och med rikare väderindata.

Vad experimenten avslöjade

I en strikt kontrollerad uppställning där endast minibatch-storleken ändrades testade författarna värden från mycket små till mycket stora. Både för New England- och Malaysiasystemen fann de att medelstora batchar gav de bästa prognoserna. I praktiken gav en batchstorlek på 64 konsekvent de lägsta felen, med 32 som nära tvåa. Mindre batchar gjorde träningen mindre stabil och mindre noggrann, medan större batchar stadigt försämrade prestandan. När de jämförde sina residualnät med andra populära djupa inlärningsarkitekturer baserade på konvolutioner, rekurrenta enheter, attention eller hybrider av dessa, hamnade residualmodellerna i topp. Versionen som kombinerade flera vädermätningar till en kompakt sammanfattning presterade bäst i det tropiska fallet.

Hur författarna kontrollerade sina resultat

För att säkerställa att dessa mönster inte bara var lyckträffar använde studien en omprovstagningsteknik kallad bootstrapping. Denna metod beräknar upprepade gånger prestandaskillnader med blandade versioner av felen för att uppskatta hur sannolikt de observerade förbättringarna är att uppstå av en slump. Analysen visade att vinsterna från att använda batchstorlek 64 istället för 32 var statistiskt signifikanta, och att den väderkomprimerade modellen konsekvent och pålitligt överträffade det grundläggande residualnätet under samma träningsförhållanden.

Vad detta betyder för kraftplanering

För icke-specialister är huvudbudskapet att till synes små träningsval i artificiella intelligensmodeller kan märkbart påverka hur väl vi kan förutsäga morgondagens elbehov. Denna studie visar att för djupa residualnät som används i korttidsprognoser av belastning ger medelstora batchstorlekar en bra balans mellan stabilitet i inlärningen och flexibilitet, och att väl komprimerad väderinformation ytterligare kan skärpa prognoserna. Tillsammans ger dessa insikter praktisk vägledning för kraftbolag och ingenjörer som vill bygga smartare, mer effektiva nät utan att behöva designa om sina modeller från grunden.

Citering: Liu, J., Ahmad, F.A., Samsudin, K. et al. Mini-batch size sensitivity in deep residual networks for short-term load forecasting: an empirical study. Sci Rep 16, 14996 (2026). https://doi.org/10.1038/s41598-026-45002-5

Nyckelord: korttidsprognoser av belastning, djupa residualnät, minibatch-storlek, elektricitetsbehov, väderdata