産業の発展に伴うエネルギー消費量の増加に伴い、エネルギー需要を予測し、エネルギーを最適に分配するシステムが求められています。現在、AI研究者は、様々な手法でエネルギー需要を正確に予測しようと研究に取り組んでいます。
この記事では、AIを活用したエネルギー需要予測に関する研究事例を紹介します。
オートエンコーダで1時間後の電力消費を予測
エネルギー管理システムの作業サイクルは、P（計画）D（実行）C（評価）A（改善）で成り立っており、最初の段階であるP（計画）には、エネルギー需要ステップが含まれます。
韓国の大学所属研究者らは、オートエンコーダをベースとしたディープラーニングモデルを使用して、60分間の実際の電力消費データから、その後15分、30分、45分、60分後のそれぞれの電力消費予測を行いました。結果、完全な予測はできなかったものの、エネルギー需要のパターンがよく予測できていることが分かりました。また、他の機械学習手法を活用した場合よりも優れた結果が出ることも分かりました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
天候を考慮した短期電力需要の予測
電力需要予測は、短期予測、中期予測、および長期予測の3つに分類できます。短期予測では、数分、数時間、数日、あるいは数週間といったスパンで予測を行います。短期予測の主なアプローチは統計的手法と機械学習手法の2つがありますが、近年では機械学習手法に注目が集まっています。
韓国の大学所属研究者らは、LSTMやCNNを用いて、短期的な電力需要の予測を試みました。2006年から2017年までの電力需要値および天候や曜日、季節などのデータを学習させて予測を行いました。結果、この手法は従来の手法よりも8割～4割ほど低い予測誤差を示し、高精度で広範囲に利用できるモデルであることが分かりました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
CNNとBi-LSTMを組み合わせた電力消費予測
LSTMは、時系列データを扱うのに向いたアルゴリズムであり、データの時間的変化を捉えることができます。医療や交通などの分野への応用は見られるものの、電力予測への応用例はまだ多くありません。
韓国の大学所属研究者らは、フランスの住宅から収集された5年分の測定データをもとに、CNNとBi-LSTMを組み合わせて、リアルタイム、短期・中期・長期の時間軸で電力消費量を予測する新しいモデル「EECP-CBL」を作成しました。このモデルは、線形回帰、LSTM、CNN-LSTMなどの既存のモデルよりも高い性能を示しました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
気候変動が激しい地域で正しく電力負荷予測
アラスカ農村部のような孤立したコミュニティでは、再生可能なエネルギー源を取り入れながら、独自のマイクログリッドを利用している場合があります。しかし、気候変動が激しい地域では、異常気象などが生じた場合に電力不足に陥るなどの問題が多々起きており、激しい気候変動にもたえうる電力負荷予測モデルが必要とされています。
アメリカの大学所属研究者らは、気象を予測するLSTMモデルと気象条件から電力負荷を予測するANNモデルを組み合わせて、将来の気象およびその時の電力負荷の予測を試みました。結果、非常に動的な気象条件の環境下でも、そのコミュニティ電力負荷を予測する能力を持つことが分かりました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
太陽光発電の発電量を予測
太陽光発電はクリーンなエネルギーとして注目されていますが、年間の発電量を見積もることが難しく、設備投資に対してどの程度のリターンが得られるのかが不明瞭です。太陽光発電を普及させていくには、太陽光発電による発電量を正しくシミュレーションできる必要があります。
台湾の大学所属研究者らは、既存の太陽光パネルを用いて年間発電量の理想地を計算しました。さらに、発電量の変動をもたらす気候条件をシミュレーションするために、ディープラーニングを用いてパネルの表面日射量を予測しました。これらを組み合わせたところ、天気の不安定さを考慮した状態で1時間あたりの発電量を予測できるようになりました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
再生可能エネルギー活用に向けた需給予測
経済発展の加速に伴ってエネルギー需要が増加しており、再生可能エネルギーを統合した新たな電力網が必要とされています。こうした複雑な電力網におけるエネルギー管理を実現していく上では、再生可能エネルギーを含む需要と供給を効率よく予測・管理する必要があります。
パキスタンの大学所属研究者らは、時系列予測に向いている2つのモデル（GARIMAとCARIMA）を使って、エネルギーの需給予測の最適化を図りました。結果、既存の手法よりも30～40%良好な結果を示すことが分かりました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
住宅や商業ビルでの消費電力を予測
エネルギー消費の大部分は、実は住宅で消費されています。住宅や商業ビルの電力消費を正確に予測することは、より良いエネルギー管理サービスを提供するために欠かせません。
韓国の大学所属研究者らは、LSTMとCNNを組み合わせた予測モデルを提案し、住宅および商業ビルの電力消費を効率的に予測する手法を提案しました。結果、複数の指標において、既存の手法よりも優れた結果を示しました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
電気料金を最適化に向けた予測モデル
複数のエネルギー源を、需給に合わせて最適な効率で利用するスマートグリッドでは、変動に合わせて電気料金もリアルタイムで変動します。しかし、中小規模のエンドユーザは、そうした変動の激しい市場を意識することなく、固定料金のままです。もしも誰もが変動料金制に移行すれば、エネルギーの効率的な利用に人々の意識が向くようになるでしょう。
アメリカの大学所属研究者らは、需給量によって電気料金がマーケットプライスによって決定されるシステムの構築を目指すべく、いくつかの機械学習手法を用いて都市全体の電力需要予測を試みました。結果、非線形自己回帰ニューラルネットワークモデルを用いた時に最も正確性の高い予測をすることができました。
この研究について詳しく知りたい方は、以下ボタンよりご覧ください！
もっと研究事例が知りたい方へ
「AI×電力予測」についてさらなる知見をお求めの方は、アイブンの先行研究調査サービスもぜひご利用ください！貴社の課題解決に必要なAI論文を調査・翻訳・解説致します。詳しくは、以下のバナーよりサービス詳細ページをご覧ください。
■サポートのお願い
AIDBを便利だと思っていただけた方に、任意の金額でサポートしていただけますと幸いです。
PAGE TOP