Il futuro della previsione energetica: intelligenza ibrida neuromorfica-axolotl che rivoluziona le operazioni di rete attraverso la padronanza dei dati mancanti ispirata alla biologia

Mantenere le luci accese in un mondo rumoroso

Le nostre reti elettriche dipendono sempre più da previsioni precise di quanta energia utilizzeranno case, fabbriche, centri dati e veicoli elettrici nelle ore e nei giorni a venire. Eppure i dati alla base di queste previsioni sono pieni di lacune e anomalie causate da sensori guasti, maltempo e interruzioni di comunicazione. Questo articolo presenta una combinazione inusuale di idee dalla logica, dalla biologia delle salamandre e dal comportamento dei primati che insieme creano un nuovo modo di riparare dati danneggiati e affinare drasticamente le previsioni della domanda energetica.

Perché i numeri mancanti minacciano la rete

I sistemi elettrici moderni gestiscono pannelli solari sui tetti, parchi eolici, ricariche per veicoli elettrici e centri dati ad alto consumo. Per bilanciare offerta e domanda in modo sicuro ed economico, gli operatori di rete si affidano a flussi di misure: temperature, livelli di irraggiamento e flussi di potenza in diverse zone. Nella realtà, molti di questi numeri non arrivano semplicemente mai. I sensori si guastano, i collegamenti di comunicazione cadono e le tempeste possono mettere fuori servizio intere sezioni della rete. Se i modelli di previsione vengono alimentati con queste serie temporali rotte “così come sono”, i loro errori aumentano e gli operatori sono costretti a mantenere energia di riserva extra in standby, aumentando sia i costi sia le emissioni.

Un nuovo modo di pensare ai dati incerti

La maggior parte dei metodi esistenti per riempire i valori mancanti tratta i numeri come noti o sconosciuti e cerca di indovinare i vuoti osservando i valori vicini. Gli autori utilizzano invece una descrizione tripartita di ogni punto dati: quanto è probabile che sia corretto, quanto è incerto e quanto è probabile che sia errato. Questo approccio, tratto da un’idea matematica chiamata insiemi neutrosofici, permette al sistema di rappresentare sensori rumorosi, outlier sospetti e rilevazioni realmente affidabili fianco a fianco. Questi tre “gradi” poi scorrono attraverso un modello in stile Markov che traccia come certezza e incertezza evolvono nel tempo lungo la curva del consumo energetico.

Prendere in prestito trucchi di riparazione da una salamandra particolare

Per ricostruire effettivamente tratti mancanti della domanda energetica, il framework prende ispirazione dall’axolotl, una salamandra famosa per rigenerare arti perduti. Nel modello, i blocchi di dati mancanti si comportano come tessuto danneggiato. Un modulo rigenerativo esamina schemi locali, cicli stagionali e indizi contestuali come temperatura e ora del giorno, e poi “coltiva” valori plausibili nei vuoti. Funziona su più scale temporali contemporaneamente: dettagli fini per interruzioni brevi e tendenze più ampie per guasti prolungati. Con il tempo, il sistema rigenerativo “ricorda” anche quali strategie di riparazione hanno funzionato meglio in situazioni simili, migliorando il proprio comportamento man mano che vede più dati.

Lasciare che scimmie virtuali organizzino le informazioni

Anche con i valori mancanti riparati, i modelli di previsione possono essere sopraffatti da troppi segnali sovrapposti. Per affrontare questo problema, gli autori introducono un nuovo algoritmo di ottimizzazione modellato sul comportamento territoriale e sociale delle scimmie uakari calve. Nel contesto di rete, ogni “territorio” rappresenta un sottoinsieme candidato di caratteristiche, come particolari variabili meteorologiche o zone. Questi territori si espandono, si contraggono e competono per le risorse, mentre le interazioni sociali aiutano la popolazione di candidati a esplorare molte combinazioni. Questo processo converge progressivamente su un insieme compatto di caratteristiche che insieme forniscono le migliori previsioni senza sprecare potenza di calcolo.

Dalla matematica complessa ai guadagni pratici per la rete

Quando il sistema ibrido completo è stato testato su sette grandi set di dati reali — dalle abitazioni agli impianti industriali, microreti e colonnine di ricarica per veicoli elettrici — ha costantemente superato un’ampia gamma di tecniche tradizionali e moderne. Riparare i dati mancanti e selezionare le caratteristiche congiuntamente ha portato a circa un +31% nella precisione delle previsioni e a una riduzione quasi del 24% dell’errore di ricostruzione, anche quando fino al 40% dei dati era mancante. L’approccio si è trasferito bene in nuove regioni e tipi di rete con poco addestramento aggiuntivo e ha funzionato abbastanza velocemente per dispositivi edge nelle sottostazioni. Per un lettore non tecnico, la conclusione è che questo “guaritore” ispirato alla biologia per dati danneggiati può aiutare le reti a operare più vicino al limite con maggiore fiducia, integrando più rinnovabili e nuovi carichi elettrici riducendo sprechi, costi e rischio di guasti.

Citazione: 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

Parole chiave: previsione della domanda elettrica, dati mancanti, rete intelligente, algoritmi ispirati alla biologia, integrazione delle rinnovabili