[論文レビュー] Short-term electricity load forecasting with multi-frequency reconstruction diffusion

Qi Dong, Rubing Huang+4 more|arXiv (Cornell University)|Jan 10, 2026

Energy Load and Power Forecasting被引用数 0

ひとこと要約

本論文は、Transformer/LSTM デ denoiser を用いた拡散-denoising フレームワークと変動モード分解を組み合わせた Multi-Frequency-Reconstruction-based Diffusion（MFRD）モデルを提案し、AEMO および ISO-NE データセットで高精度を示す。

ABSTRACT

Diffusion models have emerged as a powerful method in various applications. However, their application to Short-Term Electricity Load Forecasting (STELF) -- a typical scenario in energy systems -- remains largely unexplored. Considering the nonlinear and fluctuating characteristics of the load data, effectively utilizing the powerful modeling capabilities of diffusion models to enhance STELF accuracy remains a challenge. This paper proposes a novel diffusion model with multi-frequency reconstruction for STELF, referred to as the Multi-Frequency-Reconstruction-based Diffusion (MFRD) model. The MFRD model achieves accurate load forecasting through four key steps: (1) The original data is combined with the decomposed multi-frequency modes to form a new data representation; (2) The diffusion model adds noise to the new data, effectively reducing and weakening the noise in the original data; (3) The reverse process adopts a denoising network that combines Long Short-Term Memory (LSTM) and Transformer to enhance noise removal; and (4) The inference process generates the final predictions based on the trained denoising network. To validate the effectiveness of the MFRD model, we conducted experiments on two data platforms: Australian Energy Market Operator (AEMO) and Independent System Operator of New England (ISO-NE). The experimental results show that our model consistently outperforms the compared models.

研究の動機と目的

• 外部特徴量に頼らず、負荷データのみに基づく軽量な STELF モデルを開発する。
• 多周波数分解を活用し、予測の入力表現を豊かにして予測性能を向上させる。
• Transformer と残差 LSTM を組み合わせた拡散ベースのノイズ除去フレームワークを提案し、ノイズに対する頑健性を向上させる。
• 実データセット（AEMO および ISO-NE）上で MFRD を検証し、複数のベースラインと比較する。

提案手法

• 負荷データに対して Variational Mode Decomposition (VMD) を適用し、得られた IMF を元の信号と結合して多周波数特徴表現を作成する。
• 前向き拡散過程を適用し、増強データへガウスノイズを段階的に付加して逆過程でのデノイジング準備を行う。
• 位置エンコーディングとフーリエ領域の損失を用いて周波数特性を捉える、残差 LSTM と Transformer アーキテクチャを組み合わせたデノイニングネットワークを訓練する。
• ガウスノイズから逐次デノイニングを行い、所望の予測期間を再構成して推論を行う。

Figure 1 : Overall MFRD framework.

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのフレームワークと多周波数特徴を組み合わせることで、外部入力なしに STELF の精度を改善できるか。
• RQ2 VMD 由来の周波数成分を拡散-デノイニングネットワークと統合することで、負荷データのノイズに対する頑健性は向上するか。
• RQ3 MFRD は多様なデータセット上で従来の ML/DL 手法と比較して STELF にどのような利点を示すか。

主な発見

k	NSW_MAE	NSW_RMSE	NSW_MAPE	NSW_R^2	QLD_MAE	QLD_RMSE	QLD_MAPE	QLD_R^2	VIC_MAE	VIC_RMSE	VIC_MAPE	VIC_R^2
2	98.49	131.20	1.36	0.991	75.37	101.96	1.27	0.991	74.37	101.36	1.25	0.991
3	98.31	132.13	1.34	0.991	86.53	117.51	1.46	0.988	82.85	111.61	1.40	0.990
4	93.38	123.41	1.28	0.992	87.38	117.20	1.46	0.989	102.75	136.97	2.26	0.983
5	101.22	134.31	1.39	0.991	90.23	115.03	1.50	0.989	85.23	110.78	1.43	0.990
6	115.84	155.38	1.56	0.988	78.52	102.27	1.33	0.991	79.10	102.65	1.35	0.991
7	98.88	129.64	1.35	0.992	77.29	101.28	1.30	0.991	74.78	98.69	1.26	0.992
8	93.39	125.36	1.29	0.992	79.55	102.97	1.33	0.991	77.61	100.88	1.31	0.992
9	102.07	137.90	1.42	0.990	92.56	122.28	1.56	0.988	95.02	126.54	1.60	0.987
10	105.42	139.83	1.44	0.990	103.20	136.49	1.77	0.984	103.86	136.78	1.78	0.984

• MFRD は AEMO および ISO-NE データセットの評価指標全般で、ベースラインを一貫して上回る。
• 複数の VMD モード（k 値）の使用は予測性能に大きく影響し、最適な結果は地域により異なる。
• NSW データセットは報告表で k = 4 のとき強い性能を示し、周波数分解パラメータに対する地域感度を示唆する。
• モデルアーキテクチャはグローバルなパターン捕捉（Transformer）と時系列依存性モデリング（LSTM）を活用し、デノイニング効果を高める。

a