Hybrydowy model optymalnego doboru cech i Conv-LSTM (OFSCL) do prognozowania krótkoterminowego zapotrzebowania na energię w stacjach rozdzielczych Ahvaz, Iran

Utrzymanie zasilania w gorącym mieście

Gdy nadejdzie fala upałów, klimatyzatory w całym mieście włączają się i obciążenie sieci energetycznej może gwałtownie wzrosnąć w ciągu kilku minut. Jeśli operatorzy sieci źle oszacują zapotrzebowanie na energię, dzielnice mogą być narażone na przerwy w dostawie prądu lub marnotrawstwo nadpodaży. W artykule skoncentrowano się na rzeczywistej stacji rozdzielczej w gorącym, wilgotnym mieście Ahvaz na południowym zachodzie Iranu i postawiono proste, lecz istotne pytanie: czy można przewidzieć godzinę po godzinie, ile energii ta stacja będzie musiała dostarczyć, wykorzystując dane historyczne o zapotrzebowaniu i pogodzie w bardziej inteligentny sposób niż dotychczas?

Dlaczego krótkoterminowe prognozy mają znaczenie

Energii elektrycznej trudno jest magazynować na dużą skalę, dlatego podaż musi ściśle podążać za popytem. W stacjach rozdzielczych, które obniżają wysokie napięcie dla domów i firm, ta równowaga jest szczególnie delikatna. Zapotrzebowanie zmienia się w zależności od pory dnia, dnia tygodnia, sezonu i pogody, zwłaszcza temperatury i wilgotności. Tradycyjne narzędzia prognostyczne — jak proste formuły statystyczne — często zakładają gładkie trendy i proste wzorce. W rzeczywistości zużycie energii w gorącym mieście takim jak Ahvaz jest hałaśliwe, nieliniowe i kształtowane przez nagłe skoki użycia klimatyzacji. Słabe prognozy mogą przeciążać transformatory, skracać żywotność sprzętu i zmuszać operatorów do działań zachowawczych, mniej efektywnych ekonomicznie.

Od prostych formuł do maszyn uczących się

W ciągu ostatniej dekady badacze stosowali coraz bardziej zaawansowane metody, od klasycznych modeli uczenia maszynowego, takich jak drzewa decyzyjne i sieci neuronowe, po systemy głębokiego uczenia, które dobrze radzą sobie z danymi szeregów czasowych, takie jak sieci LSTM (Long Short-Term Memory) i sieci konwolucyjne (CNN). Te nowsze modele potrafią wychwycić dłuższe rytmy i subtelne wzorce, które umykają starszym technikom. Nadal jednak napotykają dwa poważne wyzwania. Po pierwsze, mogą być zasilane dziesiątkami zmiennych wejściowych — godzinami, dniami, świętami, prędkością wiatru, punktem rosy, ciśnieniem i innymi — z których wiele wprowadza hałas zamiast użytecznej informacji. Po drugie, mają trudność z jednoczesnym wykorzystaniem nagłych zmian chwilowych i wolniejszych przesunięć sezonowych. W efekcie dokładność na rzeczywistych, złożonych danych często nie spełnia wymagań operatorów sieci.

Hybrydowy model, który uczy się, co naprawdę ma znaczenie

Autorzy proponują nową hybrydową architekturę uczenia głębokiego nazwaną Optimal Feature Selection Conv-LSTM (OFSCL). Łączy ona dwie zalety: warstwy konwolucyjne, które przesiewają wiele zmiennych wejściowych i automatycznie koncentrują się na najbardziej informatywnych wzorcach, oraz warstwy LSTM, które śledzą, jak te wzorce ewoluują w czasie. W OFSCL część konwolucyjna stopniowo zmniejsza ilość przekazywanych dalej informacji, filtrując redundancję przy zachowaniu kluczowych sygnałów. Część LSTM uczy się następnie, jak te przefiltrowane sygnały zmieniają się godzina po godzinie i dzień po dniu. Na końcu warstwy gęste (dense) przekształcają tę skondensowaną reprezentację w pojedynczą prognozę: ile energii będzie potrzebne w kolejnym kroku czasowym.

Testowanie modelu na rzeczywistej stacji rozdzielczej

Aby sprawdzić, czy OFSCL działa w praktyce, zespół zebrał roczne dane godzinowe z jednej stacji rozdzielczej w Ahvaz, wraz ze szczegółowymi lokalnymi zapisami pogodowymi obejmującymi ekstremalne letnie upały oraz chłodniejsze pory roku. Porównali OFSCL z szeregiem alternatyw, w tym drzewami decyzyjnymi, k-NN, wielowarstwowymi perceptronami, czystymi modelami LSTM i CNN oraz kilkoma zaawansowanymi hybrydami, takimi jak CNN-LSTM i LSTM z mechanizmem uwagi. Wszystkie modele używały tych samych zestawów treningowych i testowych, a ich wydajność oceniano na podstawie zgodności prognoz z rzeczywistym zużyciem energii. Model OFSCL osiągnął współczynnik R² na poziomie około 90 procent i najniższe wyniki błędu, szkoląc się przy tym krócej niż wiele innych podejść głębokiego uczenia. Powtarzane testy na różnych podziałach danych potwierdziły, że te korzyści były spójne, a nie przypadkowe.

Czego model uczy się o pogodzie i zapotrzebowaniu

Ponad samą dokładnością, autorzy chcieli zrozumieć, na których wejściach model opierał swoje prognozy najbardziej. Przy użyciu analizy wrażliwości opartej na gradientach zmierzyli, jak silnie drobne zmiany każdej cechy wpływają na prognozę. Temperatura powietrza okazała się dominującym czynnikiem, dalej miesiąc w roku i wilgotność względna, co odzwierciedla, jak zapotrzebowanie na chłodzenie rośnie wraz z upałem i warunkami sezonowymi. W przeciwieństwie do tego, czy dany dzień był dniem roboczym czy świętem, miało znacznie mniejsze znaczenie dla tej konkretnej stacji. Analiza wykazała także, że model staje się mniej wrażliwy na drobne fluktuacje w miarę dostępu do większej ilości danych, koncentrując się na stabilnych wzorcach zamiast nadmiernie reagować na szum.

Wprowadzanie inteligentniejszych prognoz do sieci

Mówiąc prościej, badanie pokazuje, że starannie zaprojektowany system uczący się może nie tylko przewidzieć, ile energii będzie potrzebować ruchliwa stacja rozdzielcza w ciągu najbliższych kilku godzin, ale także wyjaśnić, które aspekty lokalnego klimatu mają największe znaczenie. Poprzez automatyczne filtrowanie wejść i uchwycenie zarówno szybkich wahań, jak i dłuższych trendów, model OFSCL przewyższa szereg istniejących metod, pozostając jednocześnie wystarczająco szybki do zastosowań w czasie rzeczywistym. Jeśli zostanie rozszerzony i przetestowany w innych regionach i stacjach, takie modele mogą pomóc przedsiębiorstwom energetycznym działać bliżej granicy wydajności — utrzymując niezawodne zasilanie, ograniczając straty i lepiej przygotowując miasta na cieplejszą, bardziej energochłonną przyszłość.

Cytowanie: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Słowa kluczowe: prognozowanie zapotrzebowania na energię, uczenie głębokie, sieci elektroenergetyczne, pogoda i zużycie energii, predykcja szeregów czasowych