De toekomst van stroomvoorspelling: neuromorfe-axolotl hybride intelligentie die netbeheer revolutioneert met bio-geïnspireerde beheersing van ontbrekende gegevens

Het licht aanhouden in een lawaaierige wereld

Onze elektriciteitsnetten zijn steeds meer afhankelijk van precieze voorspellingen van hoeveel stroom woningen, fabrieken, datacenters en elektrische voertuigen in de komende uren en dagen zullen gebruiken. Toch zitten de gegevens die deze voorspellingen voeden vol gaten en storingen door kapotte sensoren, slecht weer en communicatieproblemen. Dit artikel presenteert een ongewone mix van ideeën uit logica, salamanderbiologie en primatengedrag die samen een nieuwe manier bieden om beschadigde gegevens te herstellen en de voorspellingen van de stroomvraag aanzienlijk te verscherpen.

Waarom ontbrekende cijfers het net bedreigen

Moderne elektriciteitssystemen combineren zonnepanelen op daken, windparken, het opladen van elektrische voertuigen en energie-intensieve datacenters. Om aanbod en vraag veilig en goedkoop in evenwicht te houden, vertrouwen netbeheerders op stromen met metingen: temperaturen, zonlichtniveaus en stroomstromen in verschillende zones. In de praktijk komen veel van deze getallen gewoonweg niet aan. Sensoren falen, communicatielinks vallen uit en stormen kunnen hele delen van het netwerk uitschakelen. Als voorspellingsmodellen deze kapotte tijdreeksen ‘zoals ze zijn’ krijgen, groeien de fouten en worden operators gedwongen extra back-upvermogen stand-by te houden, wat zowel kosten als emissies verhoogt.

Een nieuwe manier om onzekerheid in gegevens te benaderen

De meeste bestaande methoden om ontbrekende waarden in te vullen behandelen cijfers als bekend of onbekend en proberen de lege plekken te raden door naar nabijgelegen waarden te kijken. De auteurs gebruiken in plaats daarvan een driedelige beschrijving van elk datapunt: hoe waarschijnlijk het is dat het juist is, hoe onzeker het is en hoe waarschijnlijk het is dat het onjuist is. Deze benadering, ontleend aan een wiskundig concept dat neutrosofische verzamelingen heet, stelt het systeem in staat om ruisende sensoren, verdachte uitschieters en echt betrouwbare metingen naast elkaar te representeren. Deze drie “graden” vloeien vervolgens door een Markoviaans model dat bijhoudt hoe zekerheid en onzekerheid zich in de tijd ontwikkelen langs de verbruikscurve.

Reparatietrucs lenen van een bijzondere salamander

Om daadwerkelijk ontbrekende stukken van de stroomvraag te reconstrueren, haalt het raamwerk inspiratie uit de axolotl, een salamander die beroemd is om het teruggroeien van verloren ledematen. In het model gedragen ontbrekende stukken gegevens zich als beschadigd weefsel. Een regeneratief onderdeel onderzoekt lokale patronen, seizoenscycli en contextuele aanwijzingen zoals temperatuur en tijd van de dag, en “groeit” vervolgens plausibele waarden in de gaten. Het werkt op meerdere tijdschalen tegelijk: fijne details voor korte storingen en bredere trends voor langere uitval. In de loop van de tijd “onthoudt” het regeneratieve systeem ook welke herstelstrategieën in vergelijkbare situaties het beste werkten, zodat het zijn eigen gedrag verbetert naarmate het meer gegevens ziet.

Virtuele apen informatie laten ordenen

Zelfs met herstelde waarden kunnen voorspellingsmodellen overweldigd raken door te veel overlappende signalen. Om dit aan te pakken, introduceren de auteurs een nieuw optimalisatie-algoritme gemodelleerd naar het territoriale en sociale gedrag van kale uakari-apen. In de netomgeving vertegenwoordigt elk “territorium” een kandidaat-subset van kenmerken, zoals bepaalde weerparameters of zones. Deze territoria groeien, krimpen en concurreren om middelen, terwijl sociale interacties de populatie kandidaten helpen veel combinaties te verkennen. Dit proces convergeert geleidelijk naar een compacte set kenmerken die samen de beste voorspellingen geven zonder rekenkracht te verspillen.

Van complexe wiskunde naar praktische netvoordelen

Toen het volledige hybride systeem werd getest op zeven grote datasets uit de praktijk — van huishoudens tot industriële installaties, microgrids en het opladen van elektrische voertuigen — overtrof het consequent een breed scala aan traditionele en moderne technieken. Het gezamenlijk herstellen van ontbrekende gegevens en selecteren van kenmerken leidde tot ongeveer 31% verbetering in voorspellingsnauwkeurigheid en bijna 24% daling in reconstructiefout, zelfs wanneer tot 40% van de gegevens ontbrak. De benadering transfereerde goed naar nieuwe regio’s en nettypes met weinig extra training en draaide snel genoeg voor edge-apparaten in transformatorstations. Voor de niet-specialist is de conclusie dat deze biologisch geïnspireerde “genezer” voor beschadigde gegevens netten helpt dichter bij de limiet te laten opereren met groter vertrouwen, meer hernieuwbare bronnen en nieuwe elektrische lasten te integreren en tegelijkertijd verspilling, kosten en faalrisico te verminderen.

Bronvermelding: 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

Trefwoorden: voorspelling van stroomvraag, ontbrekende gegevens, slim net, bio-geïnspireerde algoritmen, integratie van hernieuwbare energie