Die Zukunft der Lastprognose: neuromorphe-axolotl Hybridintelligenz revolutioniert Netzbetrieb durch bioinspirierte Beherrschung fehlender Daten

Das Licht anhalten in einer lauten Welt

Unsere Stromnetze sind zunehmend auf präzise Vorhersagen angewiesen, wie viel Elektrizität Haushalte, Fabriken, Rechenzentren und Elektrofahrzeuge in den kommenden Stunden und Tagen verbrauchen werden. Doch die Daten, die diesen Prognosen zugrunde liegen, sind voller Lücken und Störungen durch defekte Sensoren, schlechtes Wetter und Kommunikationsausfälle. Dieses Paper stellt eine ungewöhnliche Mischung aus Logik, Salamanderbiologie und Primatenverhalten vor, die zusammen eine neue Methode schaffen, beschädigte Daten zu reparieren und die Prognosen des Strombedarfs deutlich zu schärfen.

Warum fehlende Zahlen das Netz bedrohen

Moderne Stromsysteme balancieren Dach-Solaranlagen, Windparks, das Laden von Elektrofahrzeugen und energieintensive Rechenzentren. Um Angebot und Nachfrage sicher und kostengünstig auszugleichen, verlassen sich Netzbetreiber auf Messreihen: Temperaturen, Sonneneinstrahlung und Leistungsflüsse in verschiedenen Zonen. In der Praxis kommen viele dieser Werte jedoch schlichtweg nie an. Sensoren fallen aus, Kommunikationsverbindungen brechen zusammen und Stürme können ganze Netzabschnitte lahmlegen. Werden Vorhersagemodelle mit diesen defekten Zeitreihen „wie sie sind“ gefüttert, wachsen ihre Fehler, und die Betreiber müssen zusätzliche Reservekapazitäten vorhalten, was Kosten und Emissionen erhöht.

Ein neuer Blick auf unsichere Daten

Die meisten existierenden Methoden zur Auffüllung fehlender Werte behandeln Zahlen entweder als bekannt oder unbekannt und versuchen, die Lücken anhand benachbarter Werte zu schätzen. Die Autoren verwenden stattdessen eine dreiteilige Beschreibung jedes Datenpunkts: wie wahrscheinlich es ist, dass er korrekt ist, wie unsicher er ist und wie wahrscheinlich es ist, dass er falsch ist. Dieser Ansatz, entlehnt aus einer mathematischen Idee namens neutrosophische Mengen, erlaubt es dem System, verrauschte Sensoren, verdächtige Ausreißer und wirklich verlässliche Messungen nebeneinander darzustellen. Diese drei „Grade“ fließen dann durch ein markovartiges Modell, das nachverfolgt, wie Gewissheit und Unsicherheit im Zeitverlauf entlang der Verbrauchskurve evolvieren.

Reparaturtricks von einem ungewöhnlichen Salamander übernehmen

Um fehlende Abschnitte des Strombedarfs tatsächlich zu rekonstruieren, lässt sich das Framework vom Axolotl inspirieren, einem Salamander, der berühmt für seine Fähigkeit ist, verlorene Gliedmaßen nachwachsen zu lassen. Im Modell verhalten sich fehlende Datenstücke wie beschädigtes Gewebe. Ein regeneratives Modul untersucht lokale Muster, saisonale Zyklen und kontextuelle Hinweise wie Temperatur und Tageszeit und „wächst“ dann plausible Werte in die Lücken. Es arbeitet gleichzeitig auf mehreren Zeitskalen: feine Details bei kurzen Ausfällen und breitere Trends bei längeren Störungen. Mit der Zeit „merkt“ sich das Regenerationssystem außerdem, welche Reparaturstrategien in ähnlichen Situationen am besten funktioniert haben, sodass es sein Verhalten mit zunehmender Datenbasis verbessert.

Virtuelle Affen die Informationen ordnen lassen

Selbst mit reparierten Werten können Vorhersagemodelle von zu vielen überlappenden Signalen überwältigt werden. Um dem zu begegnen, führen die Autoren einen neuen Optimierungsalgorithmus ein, der am territorialen und sozialen Verhalten der kahlen Uakari-Affen orientiert ist. Im Netzkontext repräsentiert jedes „Territorium“ eine Kandidatenuntergruppe von Merkmalen, etwa bestimmte Wettervariablen oder Zonen. Diese Territorien dehnen sich aus, ziehen sich zusammen und konkurrieren um Ressourcen, während soziale Interaktionen der Kandidatenpopulation helfen, viele Kombinationen zu erkunden. Dieser Prozess konzentriert sich stetig auf eine kompakte Merkmalsmenge, die zusammen die besten Vorhersagen liefert, ohne Rechenressourcen zu verschwenden.

Von komplexer Mathematik zu praktischen Netzgewinn

Als das vollständige Hybridsystem an sieben großen realen Datensätzen getestet wurde — von Haushalten über Industrieanlagen, Mikronetze bis hin zu Ladeinfrastruktur für Elektrofahrzeuge — übertraf es durchgängig eine breite Palette traditioneller und moderner Techniken. Die gemeinsame Reparatur fehlender Daten und die Merkmalsauswahl führten zu etwa 31 % besserer Prognosegenauigkeit und beinahe 24 % weniger Rekonstruktionsfehler, selbst wenn bis zu 40 % der Daten fehlten. Der Ansatz ließ sich mit geringem zusätzlichem Training gut auf neue Regionen und Netztypen übertragen und lief schnell genug für Edge-Geräte in Umspannwerken. Für Laien lautet die Kernaussage: Dieser bioinspirierte „Heiler“ für beschädigte Daten kann Netze näher an ihre Leistungsgrenzen bringen — mit größerer Zuversicht, besserer Integration erneuerbarer Energien und neuer elektrischer Lasten sowie geringerem Abfall, geringeren Kosten und reduziertem Ausfallrisiko.

Zitation: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Schlüsselwörter: Lastprognose, fehlende Daten, intelligentes Netz, bioinspirierte Algorithmen, Integration erneuerbarer Energien