【目的】 既存の短期電力負荷予測モデルは、消費パターンの違いと長期依存性を同時に学習することが難しく、高変動シナリオでの予測精度が制限される問題に対し、本研究では「類似日クラスタリング-TCN-Informer」複合モデルを提案する。 【方法】 まず、過去の負荷とカレンダー特徴に基づきファジィC平均アルゴリズムを用いてサンプルを平日、週末、祝日の3つの類似日に分類し、モード間のノイズを低減する。次に、各クラスターデータに対し時系列畳み込みニューラルネットワーク（TCN）で局所特徴を抽出し、確率的疎注意機構であるInformerを導入して長期依存性を捉え、クラスターレベルの予測を生成する。その後、気象や電気料金などの外生変数を融合し、ベイズ最適化によりグローバルなハイパーパラメータ探索を行う。 【結果】 オーストラリアエネルギーマーケットAEMO-NSWの30分分解能データを用いた24時間予測実験において、本モデルはLSTMと比較して二乗平均平方根誤差および平均絶対誤差がそれぞれ16.59%および14.66%低減し、TimesNetと比較して12.33%および11.61%低減、平均絶対百分率誤差はわずか3.02%であった。 【結論】 結果は、提案手法が精度および頑健性において顕著な優位性を有し、電力網のスケジューリングおよびスポット取引に信頼できる意思決定支援を提供できることを検証した。

短期電力負荷予測;類似日クラスタリング;時系列畳み込みニューラルネットワーク;Informer;長期依存性