Prognozowanie cen energii i adopcji odnawialnych źródeł energii za pomocą zoptymalizowanego, opartego na drzewach frameworku uczenia z wyjaśnialną sztuczną inteligencją

Dlaczego przyszły koszt energii ma dla ciebie znaczenie

Rachunki za prąd, ceny paliw i tempo, w jakim energia słoneczna i wiatrowa zastępują węgiel i ropę, kształtują zarówno życie codzienne, jak i gospodarki narodowe. W tym badaniu stawiane jest pozornie proste pytanie: czy możemy wykorzystać nowoczesne narzędzia danych, aby przewidzieć, dokąd zmierzają ceny energii i adopcja czystej energii, oraz zrozumieć, co naprawdę napędza te zmiany? Analizując dwie dekady globalnych danych energetycznych za pomocą zaawansowanego uczenia maszynowego, autor tworzy system prognostyczny, który nie tylko przewiduje przyszłe trendy, lecz także wyjaśnia, które czynniki — takie jak zależność od paliw kopalnych czy emisje węgla — mają największe znaczenie.

Śledzenie zmieniających się nawyków energetycznych świata

Badanie rozpoczyna się od obszernego zestawu danych obejmującego ponad 50 krajów w latach 2000–2024. Dla każdego kraju i roku śledzi się średnie zużycie energii na osobę, zależność kraju od paliw kopalnych, podział energii między przemysł a gospodarstwa domowe, całkowite zużycie energii oraz poziom emisji dwutlenku węgla. Zarejestrowane są dwa kluczowe wyniki: Indeks Cen Energii, odzwierciedlający, jak droga jest energia, oraz udział energii pochodzącej ze źródeł odnawialnych, takich jak wiatr, słońce i elektrownie wodne. Dzięki temu, że dane obejmują wiele regionów i lat, uwzględniają zarówno lokalne różnice, jak i długoterminowe trendy globalne, co czyni je odpowiednimi do prognozowania.

Uczenie cyfrowych „drzew” z danych energetycznych

Aby przekształcić informacje historyczne w prognozy, badanie opiera się na rodzinie technik znanych jako modele uczenia maszynowego oparte na drzewach. Modele te dzielą dane na gałęzie na podstawie prostych pytań, na przykład czy wykorzystanie paliw kopalnych jest powyżej czy poniżej określonego poziomu, aż do uzyskania prognoz dotyczących ceny lub udziału odnawialnych źródeł. Zamiast używać pojedynczego drzewa, autor buduje lasy drzew i poprawia ich wydajność za pomocą tzw. algorytmów optymalizacji metaheurystycznej, inspirowanych zachowaniami zwierząt, które poszukują najlepszych ustawień każdego modelu. Ten proces strojenia zwiększa zarówno dokładność, jak i stabilność przy pracy ze złożonymi, zaszumionymi danymi rzeczywistymi.

Sprawdzanie wiarygodności i otwieranie „czarnej skrzynki”

Dokładne prognozy są przydatne tylko wtedy, gdy wytrzymują weryfikację. Badanie testuje swoje modele, wielokrotnie trenując i oceniając je na różnych wycinkach uporządkowanych czasowo danych, naśladując, jak sprawdziłyby się na przyszłych latach, których nigdy nie widziały. W tych testach najlepsze hybrydowe modele wyjaśniają ponad 90 procent zmienności zarówno cen energii, jak i udziału energii odnawialnej, przy stosunkowo niewielkich typowych błędach. Aby uniknąć powszechnej krytyki, że uczenie maszynowe to czarna skrzynka, autor zastosował narzędzia wyjaśnialnej sztucznej inteligencji. Jedno z nich, zwane SHAP, rozdziela każdą prognozę na czynniki wejściowe, pokazując, w jakim stopniu każdy z nich przesunął przewidywaną wartość w górę lub w dół. Inne, metoda czułości zwana Metodą Amplitudy Kosinusowej (Cosine Amplitude Method), bada, jak zmiany i kombinacje wejść rozchodzą się do wyników.

Co naprawdę napędza ceny i wzrost czystej energii

Narzędzia poprawiające interpretowalność ujawniają czytelną historię. Przy prognozowaniu udziału odnawialnych źródeł dominują dwie zmienne: zależność kraju od paliw kopalnych oraz poziom emisji dwutlenku węgla. Wysoka zależność od paliw kopalnych i wysokie emisje zwykle hamują wzrost odnawialnych źródeł, podczas gdy odejście od paliw kopalnych jest silnie powiązane z większym udziałem energii ze źródeł odnawialnych. W przypadku cen energii kluczową rolę odgrywa całkowite zużycie energii — ile energii kraj zużywa w fabrykach, biurach i domach. Regiony zużywające dużo energii na mieszkańca lub mocno zależne od paliw kopalnych są bardziej narażone na wahania cen, gdy podaż jest napięta. Analiza pokazuje także, że interakcje mają znaczenie: na przykład skumulowany efekt energetyki przemysłowej i całkowitego zużycia może być ważniejszy niż każde z nich osobno.

Od mądrzejszych prognoz do mądrzejszej polityki

Dla osób niebędących specjalistami wniosek jest prosty. Łącząc zaawansowane algorytmy uczenia z narzędziami wyjaśniającymi ich działanie, to badanie tworzy ramy prognostyczne, które są zarówno dokładne, jak i zrozumiałe. Pokazuje, że ograniczanie zależności od paliw kopalnych i emisji dwutlenku węgla nie jest tylko korzystne dla klimatu; jest też ściśle powiązane z tempem wzrostu odnawialnych źródeł energii i stabilnością cen energii. Decydenci, przedsiębiorstwa energetyczne i inwestorzy mogą wykorzystać takie modele do testowania, jak różne wybory — np. opodatkowanie emisji, programy efektywności czy zachęty do odnawialnych źródeł — mogą kształtować przyszłe rachunki i emisje. W istocie badanie oferuje oparte na danych kompas do nawigacji w kierunku bardziej przystępnego i zrównoważonego globalnego systemu energetycznego.

Cytowanie: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Słowa kluczowe: ceny energii, energia odnawialna, uczenie maszynowe, emisje dwutlenku węgla, paliwa kopalne