Przyszłość prognozowania zużycia energii: hybrydowa inteligencja neuromorficzno- aksolotlowa rewolucjonizująca pracę sieci dzięki biologicznie inspirowanemu opanowaniu brakujących danych

Utrzymanie świateł w świecie pełnym szumów

Nasze sieci energetyczne coraz bardziej opierają się na precyzyjnych prognozach, ile energii będą zużywać domy, fabryki, centra danych i pojazdy elektryczne w nadchodzących godzinach i dniach. Tymczasem dane stojące za tymi prognozami są pełne luk i zakłóceń spowodowanych uszkodzonymi czujnikami, złymi warunkami pogodowymi i problemami z komunikacją. Niniejszy artykuł przedstawia nietypowe połączenie idei z logiki, biologii salamandry i zachowań naczelnych, które razem tworzą nowy sposób naprawy uszkodzonych danych i znaczącego wyostrzenia prognoz zapotrzebowania na energię.

Dlaczego brakujące liczby zagrażają sieci

Nowoczesne systemy energetyczne żonglują panelami słonecznymi na dachach, farmami wiatrowymi, ładowaniem samochodów elektrycznych i energochłonnymi centrami danych. Aby bezpiecznie i tanio równoważyć podaż i popyt, operatorzy sieci polegają na strumieniach pomiarów: temperatury, poziomu światła słonecznego i przepływów mocy w różnych strefach. W rzeczywistości wiele z tych wartości po prostu nigdy nie dociera. Czujniki zawodzą, łącza komunikacyjne przerywają się, a burze mogą wyłączyć całe fragmenty sieci. Jeśli modele prognostyczne otrzymują takie uszkodzone szeregi czasowe „takie, jakie są”, ich błędy rosną, a operatorzy muszą utrzymywać dodatkowe rezerwy mocy, co zwiększa koszty i emisje.

Nowe spojrzenie na niepewne dane

Większość istniejących metod uzupełniania braków traktuje wartości jako znane lub nieznane i próbuje zgadnąć luki, patrząc na pobliskie wartości. Autorzy stosują zamiast tego trzyczęściowy opis każdego punktu danych: jak prawdopodobne jest, że jest poprawny, jak bardzo jest niepewny i jak prawdopodobne jest, że jest błędny. Podejście to, zaczerpnięte z matematycznej koncepcji zwanej zbiorami neutrosoficznymi, pozwala systemowi reprezentować jednocześnie zaszumione czujniki, podejrzane odchylenia i faktycznie wiarygodne odczyty. Te trzy „stopnie” następnie przepływają przez model w stylu Markowa, który śledzi, jak pewność i niepewność ewoluują w czasie wzdłuż krzywej zużycia energii.

Zapożyczanie sztuczek naprawczych od nietypowej salamandry

Aby rzeczywiście odtworzyć brakujące fragmenty zapotrzebowania na energię, struktura czerpie inspirację od aksolotla, salamandry słynącej z odrastania utraconych kończyn. W modelu brakujące kawałki danych zachowują się jak uszkodzona tkanka. Moduł regeneracyjny bada lokalne wzorce, cykle sezonowe i kontekstowe wskazówki, takie jak temperatura i pora dnia, a następnie „wyrasta” prawdopodobne wartości w luki. Działa na wielu skalach czasowych jednocześnie: drobne detale dla krótkich przerw i szersze trendy dla dłuższych awarii. Z biegiem czasu system regeneracyjny również „zapamiętuje”, które strategie naprawcze sprawdziły się najlepiej w podobnych sytuacjach, dzięki czemu poprawia swoje działanie w miarę napływu kolejnych danych.

Pozwolenie wirtualnym małpom porządkować informacje

Nawet po naprawieniu braków modele prognostyczne mogą zostać przytłoczone zbyt wieloma nakładającymi się sygnałami. Aby temu przeciwdziałać, autorzy wprowadzają nowy algorytm optymalizacyjny wzorowany na terytorialnym i społecznym zachowaniu małp uakari. W kontekście sieci każda „strefa” reprezentuje kandydacki podzbiór cech, takich jak konkretne zmienne pogodowe czy strefy geograficzne. Te terytoria rozszerzają się, kurczą i konkurują o zasoby, podczas gdy interakcje społeczne pomagają populacji kandydatów eksplorować wiele kombinacji. Proces ten stopniowo doprowadza do zwartego zestawu cech, które razem dają najlepsze prognozy bez marnowania mocy obliczeniowej.

Od skomplikowanej matematyki do praktycznych korzyści dla sieci

Gdy pełny system hybrydowy przetestowano na siedmiu dużych, rzeczywistych zestawach danych — od gospodarstw domowych po zakłady przemysłowe, mikrosieci i ładowanie pojazdów elektrycznych — system konsekwentnie przewyższał szeroki zakres tradycyjnych i nowoczesnych technik. Wspólne naprawianie brakujących danych i selekcja cech doprowadziły do około 31% poprawy dokładności prognoz i blisko 24% spadku błędu rekonstrukcji, nawet gdy do 40% danych było brakujących. Podejście dobrze przenosiło się do nowych regionów i typów sieci przy niewielkim dodatkowym treningu i działało wystarczająco szybko, by uruchamiać je na urządzeniach brzegowych w stacjach transformatorowych. Dla laika wniosek jest taki, że inspirowany biologicznie „uzdrowiciel” uszkodzonych danych może pomóc sieciom działać bliżej granicy wydajności z większą pewnością, umożliwiając integrację większej ilości odnawialnych źródeł i nowych obciążeń elektrycznych przy jednoczesnym zmniejszeniu strat, kosztów i ryzyka awarii.

Cytowanie: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Słowa kluczowe: prognozowanie zapotrzebowania na energię, brakujące dane, inteligentna sieć, algorytmy inspirowane biologią, integracja odnawialnych źródeł