Mamba ECIS do prognozowania zachowań klientów rynku energii za pomocą multimodalnego uczenia głębokiego

Dlaczego trafniejsze prognozy energetyczne mają znaczenie

Utrzymanie zasilania przy rozsądnej cenie wymaga od firm energetycznych ciągłego przewidywania, ile energii ludzie zużyją w kolejnej godzinie, dniu czy tygodniu. Te prognozy stają się trudniejsze, gdy pogoda staje się bardziej ekstremalna, ceny się wahają, a w domach pojawiają się inteligentne liczniki i podłączone urządzenia. W artykule przedstawiono nowy system prognozowania o nazwie Mamba‑ECIS, który wykorzystuje zaawansowaną sztuczną inteligencję do jednoczesnego odczytywania wielu rodzajów danych, oddzielania krótkoterminowych wahań od długoterminowych nawyków oraz wyjaśniania, które czynniki zewnętrzne rzeczywiście napędzają zużycie energii przez klientów.

Od prostych szacunków do pełniejszych cyfrowych portretów

Tradycyjne narzędzia prognostyczne powstały w prostszym świecie. Zwykle polegały na jednym źródle informacji, na przykład na historycznym zużyciu energii, i zakładały, że wzorce będą stosunkowo stałe w czasie. Wraz z eksplozją danych i rosnącą złożonością zachowań klientów metody te zaczęły zawodzić. Nawet nowoczesne podejścia oparte na uczeniu głębokim, mimo swej mocy, często działają jako nieprzejrzyste „czarne skrzynki” i mają trudności z łączeniem pogodowych, cenowych, kalendarzowych i innych sygnałów w spójną całość. Autorzy argumentują, że przyszły system energetyczny potrzebuje modeli potrafiących przyswajać wiele źródeł danych, śledzić szybkie zmiany i powolne przesunięcia popytu oraz jednocześnie dostarczać czytelnych dla człowieka wniosków.

Łączenie wielu sygnałów w jedną opowieść

Mamba‑ECIS stawia czoła temu wyzwaniu przez najpierw sferowanie różnych strumieni informacji w jedno uporządkowane w czasie przedstawienie zużycia energii. Łączy wysokorozdzielcze dane o zużyciu z wpływami zewnętrznymi, takimi jak temperatura, wilgotność i ceny energii, a także z tekstopodobnymi wskaźnikami świąt czy wydarzeń specjalnych. Przed nauką system normalizuje i przekształca te wejścia, aby miały wspólną skalę. Sieć neuronowa uczy się następnie wyróżniać najbardziej informatywne elementy z każdego źródła, a etap ważenia pozwala modelowi podkreślać na przykład pogodę w upalne dni lub ceny wieczorami o najwyższej taryfie. Powstaje w ten sposób bogatszy i bardziej elastyczny opis tego, jak i dlaczego energia jest używana.

Obserwowanie dzisiejszych skoków i jutrzejszych trendów

Aby nie mylić szybkich skoków z głębszymi przesunięciami, model stosuje dwugabinetową (dual‑branch) konstrukcję. Jeden segment analizuje dane wysokiej częstotliwości — minutowe lub godzinowe wahania, które mają znaczenie dla operacji czasu rzeczywistego. Drugi koncentruje się na wolniejszych, wygładzonych wzorcach, takich jak średnie dzienne i cykle sezonowe. Każda gałąź ma własne bloki modelujące sekwencje, oparte na wydajnej architekturze znanej jako modele stanu Mamba, które potrafią obsłużyć bardzo długie historie bez kosztów obliczeniowych typowych dla klasycznych sieci opartych na mechanizmie uwagi. Warstwa fuzji łączy następnie oba widoki, automatycznie dostosowując wagę sygnałów krótkoterminowych i długoterminowych w zależności od aktualnych warunków, takich jak fala upałów czy zwykły dzień roboczy.

Łączenie przyczyny i skutku, a nie tylko korelacji

Ponad samo osiąganie dokładnych prognoz, autorzy chcą, aby system wskazywał, które czynniki faktycznie powodują zmiany popytu. W tym celu dodają moduł uwagi kauzalnej. Wykorzystuje on mechanizm podobny do uwagi, by mierzyć, jak silnie każdy czynnik zewnętrzny wiąże się ze zużyciem w danym momencie, a następnie przekazuje te relacje przez sieć inferencji przyczynowej, która szacuje bezpośredni wkład każdego czynnika. Osobny etap ważenia pozwala modelowi dostosowywać te wkłady w czasie. Ta konstrukcja nie rości sobie prawa do pełnej formalnej teorii przyczynowości, ale wychodzi poza zwykłe dopasowywanie wzorców: planiści sieci mogą zobaczyć, na przykład, kiedy to skoki temperatury lub kalendarze świąteczne są główną przyczyną wzrostu zużycia i odpowiednio planować działania marketingowe lub programy reagowania popytowego.

Testowanie systemu

Badacze ocenili Mamba‑ECIS na dwóch powszechnie używanych, rzeczywistych zbiorach danych: szczegółowych rejestrach zużycia gospodarstw domowych z Portugalii oraz wysokorozdzielczych danych mieszkaniowych i komercyjnych ze Stanów Zjednoczonych. Oba zawierają miliony odczytów i bogate informacje kontekstowe. W kilku standardowych miarach błędu nowy model pokonał szereg silnych konkurentów, w tym nowoczesne Transformatory, inne modele oparte na Mambie oraz wyspecjalizowane sieci szeregów czasowych. Typowe poprawy rzędu 3–12 procent w dokładności mogą wydawać się umiarkowane, ale przekładają się na znaczące oszczędności i poprawę niezawodności dla operatorów działających na skalę krajową. Dodatkowe testy, w których usuwano poszczególne moduły, pokazały, że multimodalna fuzja, struktura dwugabinetowa i bramka uwagi kauzalnej wniosły każda odrębny i komplementarny wkład w wydajność.

Co to oznacza dla przeciętnych użytkowników energii

Dla osób niebędących ekspertami kluczową wiadomością jest to, że mądrzejsze, bardziej przejrzyste prognozowanie może pomóc uczynić systemy energetyczne tańszymi i bardziej niezawodnymi. Poprzez splatanie wielu źródeł danych, oddzielanie krótkoterminowego szumu od trwałych nawyków oraz uwidacznianie, które siły zewnętrzne naprawdę napędzają popyt, Mamba‑ECIS daje firmom energetycznym bardziej zaufany przewodnik po najbliższej przyszłości. To z kolei może wspierać sprawiedliwsze ustalanie cen, lepiej ukierunkowane programy oszczędzania i mniej niespodzianek podczas fal upałów i spadków temperatury — w sposób dyskretny poprawiając produkcję, marketing i wykorzystanie energii za kulisami.

Cytowanie: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Słowa kluczowe: prognozowanie zapotrzebowania na energię elektryczną, analiza inteligentnej sieci, multimodalne uczenie głębokie, zachowanie klientów energetycznych, kauzalne uczenie maszynowe