Prognozowanie obciążenia elektrycznego za pomocą modeli przedziałowych opartych na granularności i zasadach uzasadnialności

Dlaczego to ma znaczenie dla codziennego korzystania z prądu

Utrzymanie zasilania to delikatna równowaga. Firmy energetyczne muszą zawsze mieć wystarczająco dużo energii, by zaspokoić popyt, ale nie tak dużo, by marnować paliwo i pieniądze. W badaniu opisano nowy sposób prognozowania zapotrzebowania na energię dla regionu na miesiące i lata naprzód, jednocześnie uczciwie pokazując, jak bardzo te prognozy są obarczone niepewnością. To ważne dla wszystkich, którzy polegają na niezawodnym, przystępnym cenowo i coraz bardziej niskoemisyjnym systemie energetycznym.

Od pojedynczych szacunków do bezpiecznych przedziałów

Większość tradycyjnych narzędzi prognostycznych podaje jedną liczbę przyszłego zapotrzebowania, na przykład „sieć będzie potrzebować 5000 megawatów jutro o 18:00”. Takie prognozy punktowe mogą być bardzo dokładne w krótkim horyzoncie, ale w dłuższej perspektywie stają się niepewne, ponieważ popyt zależy od zmieniającej się pogody, wzrostu gospodarczego i nawyków, np. ładowania pojazdów elektrycznych. Nowsze metody oparte na uczeniu maszynowym i głębokim uczeniu poprawiły dokładność, jednak często nadal dają jedynie „najlepsze przypuszczenie” i ukrywają niepewność za złożonymi założeniami probabilistycznymi, które są trudne do interpretacji dla operatorów i regulatorów.

Myślenie w kawałkach zamiast w punktach

Autorzy proponują inne podejście: zamiast stawiać na jedną wartość, prognozują przedziały — bezpieczne zakresy, w których rzeczywiste zapotrzebowanie prawdopodobnie się zmieści. Do budowy tych zakresów wykorzystują ideę znaną jako „obliczenia granularne”, która traktuje dane jako znaczące kawałki, czyli granule, zamiast jako izolowane punkty. Dla zapotrzebowania na energię każda granula to przedział wokół wartości centralnej (np. dobowej lub tygodniowej mediany obciążenia), który obejmuje, jak bardzo obciążenie może się zmieniać. Praca na takich granulach pomaga wygładzić losowy szum, uwidocznić wzorce w skali dni, tygodni i miesięcy oraz dać bardziej realistyczny obraz rzeczywistej niepewności.

Zrównoważenie szerokości i precyzji

Kluczowym dylematem jest ustalenie, jak szeroki powinien być każdy przedział. Jeśli będzie zbyt szeroki, niemal zawsze będzie obejmował prawdziwe zapotrzebowanie, ale stanie się bezużyteczny do planowania, bo będzie zbyt ogólny. Jeśli będzie zbyt wąski, może pominąć rzeczywiste wartości i dać fałszywe poczucie pewności. Badacze rozwiązują ten problem, definiując dwa proste miary: „pokrycie” — odsetek rzeczywistych wartości mieszczących się w danym przedziale, oraz „specyfika” — miarę tego, jak wąski i informatywny jest przedział. Łączą je w jedną miarę nazwaną indeksem uzasadnienia. Metoda następnie wyszukuje przedziały maksymalizujące ten wynik, automatycznie odrzucając skrajności — przedziały tak szerokie, że wyjaśniają wszystko i nic, albo tak ciasne, że pomijają zbyt wiele rzeczywistych punktów danych.

Testy na rzeczywistym systemie energetycznym

Aby sprawdzić działanie podejścia w praktyce, zespół wykorzystał czteroletnie dane z głównej sieci energetycznej Omanu, mierzone co 30 minut w latach 2020–2023. Przedziały budowano i stroili na danych z lat 2020–2022, a następnie sprawdzano, jak dobrze te przedziały obejmują niewidoczne dane z 2023 roku. Skonstruowali przedziały dobowe, tygodniowe i miesięczne oraz porównali je z bardziej znanymi narzędziami prognostycznymi, takimi jak modele regresyjne, drzewa decyzyjne, sieci głębokiego uczenia i metody probabilistyczne, np. regresja kwantylowa i predykcja konformalna. Korzystając z miary „nakładania się”, oceniano, jak blisko przewidywane przedziały odpowiadały przedziałom zbudowanym bezpośrednio z danych z 2023 roku. Wyniki wykazały, że przechodząc od granulek dobowych do tygodniowych i miesięcznych, przedziały stawały się bardziej stabilne, lepiej zgodne z rzeczywistością i łatwiejsze do interpretacji.

Co nowe przedziały ujawniają o sieci

Analiza ujawniła kilka praktycznych wniosków. Po pierwsze, agregacja danych w dłuższych okresach, takich jak tygodnie i miesiące, znacząco poprawia wiarygodność prognoz, ponieważ wahania dzień po dniu się wygładzają. Po drugie, zoptymalizowane przedziały wykazały jasne i spójne dopasowanie do faktycznego zapotrzebowania w ciągu kilku lat, co sugeruje, że metoda dobrze uogólnia, zamiast przeuczać się na konkretne dane z jednego roku. Po trzecie, zapotrzebowanie w dni powszednie i w weekendy w badanym systemie okazało się zaskakująco podobne, co wskazuje, że nie było potrzeby tworzenia odrębnych modeli. W porównaniu z innymi metodami prognozowania przedziałowego podejście oparte na uzasadnialnych granulach osiągnęło konkurencyjne pokrycie przy zachowaniu stosunkowo ciasnych przedziałów, i to bez przyjmowania konkretnego rozkładu statystycznego dla danych.

Jak to pomaga utrzymać niezawodność sieci

Dla osób spoza branży główny rezultat jest prosty: zamiast ukrywać niepewność, ta metoda czyni ją widoczną i użyteczną. Operatorzy sieci mogą planować wytwarzanie, rezerwy i prace konserwacyjne w oparciu o realistyczny pas prawdopodobnego zapotrzebowania, zamiast polegać na jednej nietrwałej liczbie. Dolna granica informuje, o ile mocy bezpiecznie można zmniejszyć wytwarzanie, a górna wskazuje, ile zapasów trzeba utrzymać na gorące dni, skoki gospodarcze czy inne niespodzianki. Wyrażając niepewność w przejrzysty, oparty na danych sposób, te prognozy przedziałowe wspierają bardziej odporne, kosztowo efektywne i w ostatecznym rozrachunku bardziej zrównoważone systemy energetyczne.

Cytowanie: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Słowa kluczowe: prognozowanie obciążenia elektrycznego, przedziały niepewności, obliczenia granularne, planowanie sieci energetycznej, szeregi czasowe energii