要約
短期負荷予測（STLF）は、電力システムの円滑な運用、将来の設備計画、発電ユニットの起動順序決定および需要応答において重要な役割を果たす。しかし、負荷は非定常性を示し、複数の周期的・非周期的な暦的特徴および非線形かつ高相関性を持つ気象的特徴に依存するため、従来の技術を用いた高精度な負荷予測は困難である。この課題を克服するため、長短期記憶（LSTM）と改良型スプリット畳み込み（SC）ニューラルネットワークを組み合わせた新しいハイブリッド手法（LSTM-SC）を、単ステップおよびマルチステップの短期負荷予測に提案する。本研究で提案するハイブリッドネットワークでは、LSTMとSCの連結順序が、時系列依存特徴および階層的な空間特徴の優れた抽出能力を実現している。モデルの性能評価は、パキスタン国家送電・配電会社（NTDC）が記録したパキスタン全国電力網負荷データセットを用いて実施した。負荷データは事前処理され、性能向上を目的として複数の相関する特徴が追加された。汎化能力の評価には、アメリカンエレクトリックパワー（AEP）および独立系システム運用者ニューエングランド（ISO-NE）が公開するデータセットを用いた。温度は負荷予測において高相関性を持つ重要な入力特徴であるため、温度データを削除するか、ガウスノイズを付加することで、その影響を検証した。NTDCデータセットにおける提案モデルの性能評価結果（RMSE、MAE、MAPE）は、マルチステップ予測でそれぞれ500.98、372.62、3.72％、単ステップ予測でそれぞれ322.90、244.22、2.38％であった。結果から、本手法は予測誤差が小さく、優れた汎化能力を有し、マルチホライゾンにおける予測性能が良好であることが示された。