RNN-Modell reduziert Fehler bei Stromlastvorhersagen dank Fourier-Integration

Eine neue Studie aus dem arXiv-Repository präsentiert ein Fourier-verbessertes rekurrentes neuronales Netzwerk (RNN), das die Genauigkeit von Stromlastvorhersagen signifikant steigert. Das Modell kombiniert einen rekurrenten Kern, der mit niedrigauflösenden Eingaben arbeitet, explizite Fourier-Seasonal-Embeddings, die im latenten Raum integriert werden, und eine Self-Attention-Schicht, die Abhängigkeiten zwischen hochauflösenden Komponenten innerhalb jeder Periode erfasst.

In umfangreichen Tests über vier PJM-Territorien zeigte das RNN nicht nur niedrigere RMSE-Werte, sondern auch eine flachere Fehlerentwicklung über die Vorhersagehorizonte hinweg. Im Vergleich zu klassischen Prophet-Modellen – sowohl mit als auch ohne Saisonalität und LAA – sowie zu RNN-Varianten ohne Attention oder Fourier-Features übertraf das neue Modell deutlich die bisherigen Ansätze.

Die Ergebnisse unterstreichen das Potenzial von Fourier-Embeddings und Attention-Mechanismen für die hochpräzise Downscaling von elektrischen Lasten und eröffnen damit neue Perspektiven für die Energieplanung und -optimierung.