SHAPガイド付きアンサンブル検証による、解釈可能な物理情報付き負荷予測でU.S.グリッドのレジリエンスを高める（極端気象下のハイブリッド深層学習）

arXiv cs.LG / 2026/4/28

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

この論文は、極端な天候下での運用者の信頼性向上を目的に、解釈可能で物理情報を取り入れた短期電力負荷予測のハイブリッド深層学習アンサンブル手法を提案している。
CNNブランチ（局所特徴抽出）とTransformerブランチ（長距離依存のモデリング）を組み合わせ、ERCOTの温度—需要の区分的な放物線関係に基づく物理情報付き損失で正則化しつつ、検証で最適化した加重アンサンブルで統合する。
事後的な解釈可能性はSHAP（DeepExplainer）で実現し、グローバルおよびイベント単位の寄与（アトリビューション）を得られる。
2018〜2025年の8年間のERCOT時間別負荷データに、テキサスの3観測地点のASOS記録を統合した検証では、713 MWのMAE、812 MWのRMSE、1.18%のMAPEを報告しており、Hampelで検出した極端事象では改善が示されている。
アブレーションにより、放物線およびランプ制約がRMSEを14.7%低減することが示され、SHAP解析では平常時は温度が支配的だが、寒冷前線や高温波では風速と降水がより重要になるレジームシフトが観測される。