Transformer-Modell übertrifft ARIMA bei Kurzzeit-Stromverbrauchsvorhersage

Eine neue Studie aus dem arXiv-Repository zeigt, dass ein Transformer-basiertes Deep‑Learning-Modell die Genauigkeit der Kurzzeitprognose von Stromverbrauchsdaten deutlich verbessert. Im Vergleich zu klassischen statistischen Verfahren wie ARIMA liefert der Transformer eine Fehlerquote von nur 3,8 % MAPE, was die höchste Präzision aller getesteten Modelle darstellt.

Die Untersuchung nutzte die PJM Hourly Energy Consumption-Daten und setzte vier unterschiedliche Modelle ein: ARIMA, LSTM, BiLSTM und Transformer. Vor der Modellierung wurden die Daten interpoliert, normalisiert und mittels eines gleitenden Fensterverfahrens in Sequenzen umgewandelt. Für jede Methode wurden die Vorhersagen über einen 24‑Stunden‑Horizont mit MAE, RMSE und MAPE bewertet.

Die Ergebnisse unterstreichen das Potenzial von Attention‑Architekturen, komplexe zeitliche Muster in Energieverbrauchsdaten zuverlässig zu erfassen. Damit eröffnet der Transformer neue Möglichkeiten für die Optimierung und Stabilisierung moderner Stromnetze, indem er präzisere Lastprognosen liefert.