System prognozowania długoterminowego zapotrzebowania na energię elektryczną z wykorzystaniem uczenia maszynowego dla strategicznych inwestycji energetycznych

Dlaczego jutrzejsze zapotrzebowanie na energię ma znaczenie już dziś

Utrzymanie zasilania w kolejnych dekadach jest znacznie bardziej skomplikowane niż tylko budowa większej liczby elektrowni. Zużycie energii elektrycznej rośnie na całym świecie wraz ze wzrostem populacji, rozwojem miast i częstszymi falami upałów. Jeśli rządy zaniżą prognozy zapotrzebowania, ryzykują awarie i nietrafione inwestycje; jeśli je zawyżą, mogą uwikłać się w kosztowną, słabo wykorzystywaną infrastrukturę. Artykuł przedstawia nowe podejście do zajrzenia w tę niepewną przyszłość, łącząc nowoczesne metody uczenia maszynowego z celowo dobranymi danymi statystycznymi na poziomie krajowym, zilustrowane szczegółowym studium przypadku Egiptu.

Powiązanie codziennego życia z zapotrzebowaniem na energię

Za każdym włączeniem światła kryje się wiele sił: ile osób mieszka w kraju, jak gorące są lata, jak szybko rośnie gospodarka i ile mocy wytwórczej już zbudowano. Tradycyjne narzędzia prognostyczne często patrzą głównie na przeszłe zużycie energii i co najwyżej na niewielką liczbę wskaźników gospodarczych czy pogodowych. Takie wąskie spojrzenie może przegapić ważne zmiany, takie jak szybka urbanizacja czy rosnące zadłużenie państwa wpływające na import paliw. Autorzy argumentują, że krajowi planiści potrzebują szerszej perspektywy — takiej, która jednocześnie śledzi podaż energii, klimat, gospodarkę i trendy demograficzne na wiele lat.

Budowa trzyetapowego silnika prognostycznego

Badanie wprowadza system w trzech fazach zaprojektowany do prognoz długoterminowych na poziomie kraju. Najpierw następuje zbieranie i czyszczenie danych: zespół gromadzi miesięczne i roczne zapisy od 2000 do 2023 roku dotyczące mocy wytwórczych, temperatur, opadów, wilgotności, kondycji gospodarki i struktury ludności dla Egiptu. Ponieważ źródła te występują w różnych interwałach czasowych i czasami zawierają luki, autorzy stosują dopasowane metody interpolacji, aby uzupełnić brakujące wartości i sprowadzić wszystko do wspólnej miesięcznej osi czasu, zachowując istotne wzorce sezonowe, takie jak cieplejsze lata. Następnie analizują zachowanie każdej zmiennej w czasie, by ustalić, czy odpowiednie są wyspecjalizowane modele szeregów czasowych.

Pozwalanie algorytmom uczyć się z przeszłości

W drugiej fazie badacze porównują znane statystyczne narzędzia prognostyczne z bardziej elastycznymi modelami uczenia maszynowego. Klasyczne metody, takie jak ARIMA i SARIMAX, służą jako punkty odniesienia; odwzorowują trendy i pewne zachowania sezonowe, ale zakładają stosunkowo proste zależności między zmiennymi. Aby poradzić sobie z bogatszym, wielowymiarowym zestawem danych, zespół sięga po podejście z głębokim uczeniem zwane siecią Gated Recurrent Unit (GRU), które dobrze nadaje się do wychwytywania wzorców rozwijających się w ciągu miesięcy i lat. Systematycznie dostrajają wewnętrzne ustawienia modelu przy użyciu ram optymalizacyjnych i testują kilka głębokości sieci, ostatecznie stwierdzając, że jedna dobrze skonfigurowana warstwa GRU osiąga najlepszy kompromis między dokładnością a niezawodnością dla dostępnych danych.

Widzenie, które czynniki mają największe znaczenie

Sama dokładność nie wystarcza, jeśli planiści nie rozumieją, co napędza prognozy modelu. W trzeciej fazie autorzy wykorzystują technikę interpretowalności znaną jako SHAP, aby zmierzyć, jak bardzo każdy czynnik wejściowy podbija lub obniża prognozy. Analiza ujawnia, że głównymi motorami rosnącego zapotrzebowania są populacja — zarówno wiejska, jak i miejska — oraz dochód na osobę, przy czym moc wytwórcza i zadłużenie zewnętrzne odgrywają istotne role wspierające. Zmienne klimatyczne, szczególnie ekstremalne temperatury, wciąż mają znaczenie, ale w długim okresie przyczyniają się mniej niż wzrost demograficzny i gospodarczy. Poprzez stopniowe usuwanie mniej wpływowych zmiennych i ponowną ocenę wyników, autorzy identyfikują usprawniony zestaw trzynastu cech, które zapewniają silne i stabilne prognozy.

Co wyniki oznaczają dla planowania energetycznego

W wielu próbach udoskonalony model GRU wyjaśnia ponad cztery piąte zmienności zużycia energii w Egipcie i utrzymuje średnie błędy na poziomie nieco ponad 4 procent typowego miesięcznego zapotrzebowania. Poziom tej dokładności, w połączeniu z jasnym wglądem w to, które dźwignie mają największe znaczenie, sprawia, że system nadaje się do eksploracji przyszłości typu „co jeśli” — na przykład szybszy wzrost urbanizacji, nowe elektrownie czy zmiany poziomu zadłużenia — oraz ich wpływu na sieć. Chociaż studium przypadku koncentruje się na Egipcie, ramy opierają się na danych, które większość krajów już zbiera, oraz na przejrzystych krokach przetwarzania, co czyni je możliwym do przeniesienia na inne kraje. W istocie praca oferuje decydentom praktyczny, interpretowalny silnik prognozowania, który łączy codzienne zmiany społeczne i gospodarcze z systemami energetycznymi, które muszą im sprostać.

Cytowanie: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

Słowa kluczowe: prognozowanie zapotrzebowania na energię elektryczną, planowanie energetyczne, uczenie maszynowe, klimat i energia, urbanizacja