Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort?

要約

エネルギーシステムは、再生可能な世代の高い株を持つ分散型構造に移行するため、エネルギーコミュニティ（ECS）が地域の需要の変化と強化を可能にする上で重要な役割を果たします。
それらを最適に動作させるには、特に需要側の管理戦略を実装するために、正確な短期負荷予測が不可欠です。
最近の深い学習方法の台頭により、データ駆動型の予測は大きな注目を集めていますが、多くの実用的なコンテキストでは不十分に調査されたままです。
したがって、この研究では、さまざまなコミュニティサイズ、履歴データの可用性、モデルの複雑さにわたるK-Nearest Neighbors（KNN）や持続性予測などの従来のベンチマークと比較して、LSTM、XLSTM、トランスアーキテクチャなど、最先端の深い学習モデルの有効性を評価します。
さらに、公開されている合成負荷プロファイルを使用して、転送学習の利点を評価します。
平均して、転送学習は、2か月のトレーニングデータが利用可能な場合、正規化された平均絶対誤差を1.97％PTに改善します。
興味深いことに、トレーニングデータの6か月未満で、単純な永続性モデルは、予測精度で深い学習アーキテクチャを上回ります。
改善された予測の実用的な価値は、共有バッテリーエネルギー貯蔵システムを備えたECSの混合整数線形プログラミング最適化を使用して実証されています。
最も正確な深い学習モデルは、8.06％の財務エネルギーコストの平均削減を達成します。
特に、単純なKNNアプローチは平均8.01％の節約を実現し、競争力のある堅牢な代替品となっています。
すべての実装は、再現性を促進するために公開されています。
これらの調査結果は、ECSの実用的な洞察を提供し、パフォーマンスの向上によって深い学習の追加の複雑さが保証されるときに強調しています。

要約(オリジナル)

Energy communities (ECs) play a key role in enabling local demand shifting and enhancing self-sufficiency, as energy systems transition toward decentralized structures with high shares of renewable generation. To optimally operate them, accurate short-term load forecasting is essential, particularly for implementing demand-side management strategies. With the recent rise of deep learning methods, data-driven forecasting has gained significant attention, however, it remains insufficiently explored in many practical contexts. Therefore, this study evaluates the effectiveness of state-of-the-art deep learning models — including LSTM, xLSTM, and Transformer architectures — compared to traditional benchmarks such as K-Nearest Neighbors (KNN) and persistence forecasting, across varying community size, historical data availability, and model complexity. Additionally, we assess the benefits of transfer learning using publicly available synthetic load profiles. On average, transfer learning improves the normalized mean absolute error by 1.97%pt when only two months of training data are available. Interestingly, for less than six months of training data, simple persistence models outperform deep learning architectures in forecast accuracy. The practical value of improved forecasting is demonstrated using a mixed-integer linear programming optimization for ECs with a shared battery energy storage system. The most accurate deep learning model achieves an average reduction in financial energy costs of 8.06%. Notably, a simple KNN approach achieves average savings of 8.01%, making it a competitive and robust alternative. All implementations are publicly available to facilitate reproducibility. These findings offer actionable insights for ECs, and they highlight when the additional complexity of deep learning is warranted by performance gains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google