עתיד חיזוי הביקוש לחשמל: בינה היברידית נוירומורפית-אקסולוטל שמשנה את פעולת הרשת באמצעות שליטה בנתונים חסרים בהשראה ביולוגית

שומרים על האורות דולקים בעולם רועש

רשתות האנרגיה שלנו תלויות יותר ויותר בחיזויים מדויקים של כמה חשמל ישתמשו בתים, מפעלים, מרכזי נתונים וכלי רכב חשמליים בשעות ובימים הקרובים. עם זאת, הנתונים שעליהם מתבססים חיזויים אלה מלאים בחורים ותקלות שנגרמות על ידי חיישנים שבורים, מזג אוויר קיצוני ותקלות תקשורת. מאמר זה מציע שילוב יוצא דופן של רעיונות מתחום הלוגיקה, ביולוגיית הסלמנדרה והתנהגות פרימטים, שיוצרים יחד דרך חדשה לתקן נתונים פגומים ולחדד באופן דרמטי את תחזיות הביקוש לחשמל.

מדוע מספרים חסרים מאיימים על הרשת

מערכות החשמל המודרניות מנהלות לוחות סולאריים על גגות, חוות רוח, טעינת רכבים חשמליים ומרכזי נתונים תובעניים באנרגיה. כדי לאזן בבטחה ובזול בין היצע וביקוש, מפעילי רשת מסתמכים על זרמי מדידות: טמפרטורות, רמות קרינה ושינועי חשמל באזורים שונים. במציאות, רבים מהערכים האלה פשוט לא מגיעים. חיישנים נתקלים בכשל, קישורי תקשורת נפגעים וסופות יכולות להשבית אזורי רשת שלמים. אם מודלים לחיזוי יקלטו סדרות זמן פגומות "כפי שהן", שגיאותיהם יגדלו ומפעילים יאלצו לשמר כוח גיבוי גדול יותר במצב המתנה, מה שמעלה עלויות ופולטות.

דרך חדשה לחשוב על נתונים לא ודאיים

רוב השיטות הקיימות למילוי ערכים חסרים מתייחסות למספרים כידועים או כלא ידועים ומנסות לנחש את החסר על פי ערכים סמוכים. המחברים, במקום זאת, משתמשים בתיאור תלת-חלקי לכל נקודת מידע: עד כמה סביר שהיא נכונה, עד כמה היא לא ודאית ועד כמה סביר שהיא שגויה. גישה זו, שנשאבה מרעיון מתמטי הנקרא קבוצות נאוטרוסופיות, מאפשרת למערכת לייצג חיישנים רועשים, סטיות חשודות וקריאות אמינות זו לצד זו. שלוש "מעלות" אלה זורמות אז דרך מודל בסגנון מרקוב שמעקב אחר האופן שבו וודאות ואי-ודאות מתפתחים לאורך זמן לאורך עקומת צריכת החשמל.

הלוואת טריקים לתיקון מהסלמנדרה יוצאת הדופן

כדי לשחזר מקטעים חסרים של ביקוש לחשמל, המסגרת שואבת השראה מאקסולוטל, סלמנדרה מוכרת ביכולתה לגדל איברים שנקטעו. במודל, מקטעים חסרים של נתונים מתנהגים כמו רקמה פגומה. מודול רגנרטיבי בוחן דפוסים מקומיים, מחזורים עונתיים ורמזים הקשריים כגון טמפרטורה ושעת היום, ואז "מגדל" ערכים סבירים לתוך הפערים. הוא פועל במספר סקלות זמן בו-זמנית: פירוט עדין להפסקות קצרות ומגמות רחבות יותר לתקלות ממושכות. עם הזמן, המערכת הרגנרטיבית גם "זוכרת" אילו אסטרטגיות תיקון עבדו היטב במצבים דומים, ולכן משפרת את התנהגותה ככל שהיא נחשפת ליותר נתונים.

לאפשר לקופים וירטואליים לארגן את המידע

אפילו לאחר תיקון הערכים החסרים, מודלים לחיזוי עלולים להישלח בידי כמות רבה מדי של אותות חופפים. כדי להתמודד עם זאת, המחברים מציגים אלגוריתם אופטימיזציה חדש שמודל על התנהגות טריטוריאלית וחברתית של קופי באלד אוואקרי (uakari). בהקשר של רשת החשמל, כל "טריטוריה" מייצגת תת-קבוצה מועמדת של תכונות, כגון משתני מזג אוויר מסוימים או אזורים גאוגרפיים. טריטוריות אלה מתרחבות, מתכווצות ומתחרות על משאבים, בעוד אינטראקציות חברתיות עוזרות לאוכלוסיית המועמדים לחקור שילובים רבים. תהליך זה מתמקד בהדרגה בקבוצת תכונות קומפקטית שמספקת את התחזיות הטובות ביותר בלי לבזבז כוח חישובי.

ממתמטיקה מורכבת לתועלות מעשיות לרשת

כאשר המערכת ההיברידית המלאה נבחנה על שבע מערכי נתונים גדולים מהעולם האמיתי — מתלבשות ועד מפעלים תעשייתיים, מיקרו-רשתות וטעינות רכבים חשמליים — היא עקבית השרתה תוצאות טובות יותר מטווח רחב של טכניקות מסורתיות ומודרניות. תיקון נתונים חסרים ובחירת תכונות במשותף הובילו לכשידוגן של כ-31% בדיוק החיזוי ולירידה של כמעט 24% בשגיאת השיחזור, אפילו כאשר עד 40% מהנתונים הוחסרו. השיטה הועברה טוב לאזורים וסוגי רשת שונים עם מעט אימון נוסף ופעלה במהירות מספקת להתקנים קצה בתחנות משנה. עבור קורא שאינו מומחה, המסקנה היא שה"מרפא" בהשראה ביולוגית עבור נתונים פגומים יכול לסייע לרשתות לפעול קרוב יותר לקצה עם ביטחון רב יותר, לשלב יותר מתחדשים ועומסים חשמליים חדשים תוך צמצום בזבוז, עלות וסיכון לכשל.

ציטוט: 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

מילות מפתח: חיזוי ביקוש לחשמל, נתונים חסרים, רשת חכמה, אלגוריתמים בהשראה ביולוגית, שילוב מתחדש