論文の概要: Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather

• arxiv url: http://arxiv.org/abs/2604.23500v1
• Date: Sun, 26 Apr 2026 02:26:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.396119
• Title: Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather
• Title（参考訳）: 米国グリッドレジリエンスのための解釈可能な物理インフォームド負荷予測:超気象下のハイブリッドディープラーニングにおけるSHAP誘導エンサンブル検証
• Authors: Md Abubakkar, Sajib Debnath, Md. Uzzal Mia,
• Abstract要約: 統一的で解釈可能な物理インフォーム・アンサンブル・フレームワークを提案する。 このフレームワークはテストウィンドウ上で713MW MAE、812MW RMSE、1.18%のMAPEを達成する。 SHAP解析は、通常の運転で温度が支配的になるのに対して、風速や降水は寒冷前線や熱波でより影響を及ぼす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term electricity load forecasting is a cornerstone of U.S. grid reliability; however, prevailing deep learning models remain opaque, limiting operator trust during extreme weather. A unified, interpretable, physics-informed ensemble framework is proposed, integrating a Convolutional Neural Network (CNN) branch for local feature extraction and a Transformer branch for long-range dependency modeling; the branches are fused through a validation-optimized weighted ensemble and regularized by a physics-informed loss derived from the piecewise parabolic temperature-demand relationship of the Electric Reliability Council of Texas (ERCOT) system. Post-hoc interpretability is provided through SHapley Additive exPlanations (SHAP) with the DeepExplainer backend, yielding global and event-level attributions. Using eight years of ERCOT hourly load data (2018-2025) fused with Automated Surface Observing System (ASOS) records from three Texas stations, the framework achieves 713 MW MAE, 812 MW RMSE, and 1.18% MAPE on the test window. For Hampel-flagged extreme events, MAPE falls by 20.7% relative to its Transformer branch and by 40.5% relative to its CNN branch; an ablation confirms that the parabolic and ramp constraints drive a 14.7% RMSE reduction. SHAP analysis reveals a regime shift: temperature dominates under normal operation, whereas wind speed and precipitation become more influential during cold fronts and heatwaves.
• Abstract（参考訳）: 正確な短期的な電力負荷予測は米国のグリッドの信頼性の基盤となっているが、一般的なディープラーニングモデルは不透明であり、極端な天候下でのオペレーターの信頼を制限している。 局所的特徴抽出のための畳み込みニューラルネットワーク(CNN)ブランチと長距離依存モデリングのためのトランスフォーマーブランチを統合することにより,統一的で解釈可能な物理インフォーム型アンサンブルフレームワークを提案する。 ポストホック解釈は、DeepExplainerバックエンドを備えたSHAP(SHapley Additive ExPlanations)を通じて提供され、グローバルおよびイベントレベルの属性が生成される。 ERCOTの時間負荷データ(2018-2025)をテキサスの3つのステーションから自動表面観測システム(ASOS)に融合させ、713MW MAE、812MW RMSE、1.18% MAPEをテストウィンドウ上で達成した。 ハンペルフラッグによる極端な出来事では、MAPEはトランスフォーマーブランチに対して20.7%減少し、CNNブランチに対して40.5%減少する。 SHAP解析は、通常の運転で温度が支配的になるのに対して、風速や降水は寒冷前線や熱波でより影響を及ぼす。

関連論文リスト

• MR-GNF: Multi-Resolution Graph Neural Forecasting on Ellipsoidal Meshes for Efficient Regional Weather Prediction [0.0]
  我々は,地球上の楕円型多スケールグラフ上で,短期的な地域予測を行う軽量な物理認識モデルであるMulti-Resolution Graph Neural Forecasting (MR-GNF)を紹介する。 MR-GNFは、イギリスとアイルランドのセクターで、地表の温度、風、降水量について、安定な+6hから+24hの予測を提供する。 これらの結果は、グラフベースのニューラルオペレーターが、NWPコストのごく一部で信頼性の高い高解像度気象予測を達成できることを実証している。
  論文  参考訳（メタデータ） (2026-03-13T20:04:22Z)
• PSTNet: Physically-Structured Turbulence Network [0.0]
  物理構造乱流ネットワーク(PSTNet)は、物理を直接その構造に埋め込む軽量アーキテクチャである。 PSTNetは平均ミス距離が2.8%向上し、78%の勝利率と統計的に有意な効果がある。
  論文  参考訳（メタデータ） (2026-03-09T04:46:46Z)
• KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite [22.99496587694237]
  熱帯性サイクロンのタイムリーなモニタリングは、生命と財産の損失を減らすために重要である。 現在の物理誘導モデルは、TC属性間の高次関係を捕捉できない線形特徴相互作用に悩まされている。 本研究では,KAN-FIF(Kolmogorov-Arnold Network-based Network-based Interaction Feature Framework)を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T16:07:39Z)
• A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch [0.4999814847776097]
  本稿では、実世界の高周波データを用いて、日々の電力需要を予測することを課題とする。 我々は、時間単位のダウンサイズ化、二重モードのインパルス化、包括正規化を組み合わせた頑健で軽量なディープラーニングパイプラインを提案する。 シーケンス・ツー・ワンのモデルでは、平均RMSEは601.9W、MAEは468.9W、精度は84.36%である。
  論文  参考訳（メタデータ） (2025-10-19T16:12:53Z)
• Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management [17.903318666906728]
  気候変動によって激化する極度の気象現象は、下水道システムの老朽化に挑戦する傾向にある。 下水道流域充填量の予測は早期介入に有効な洞察を与えることができる。 本稿では,エッジデバイス上でエネルギー効率の高い推論を可能にするエンドツーエンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T15:06:04Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。