Prognozowanie zużycia energii elektrycznej za pomocą zaawansowanego przestrzenno‑czasowego frameworku uczenia głębokiego

Dlaczego ważne są lepsze prognozy zużycia energii

Za każdym razem, gdy włączasz światło lub podłączasz laptop, operatorzy sieci energetycznej już przewidują, ile energii będziesz potrzebować ty i miliony innych użytkowników. Jeśli zaniżą prognozę, mogą wystąpić awarie i skoki cen; jeśli przeszacują, drogie elektrownie stoją niepotrzebnie bezczynnie. W tym badaniu analizuje się, jak nowoczesna sztuczna inteligencja może uczynić te przewidywania bardziej dokładnymi, pomagając utrzymać dostawy energii przy jednoczesnym ograniczeniu strat i kosztów.

Wyzwanie przewidywania dziennego zapotrzebowania

Zapewnienie energii rośnie i maleje w ciągu dnia, tygodnia i roku, kształtowane przez harmonogramy pracy, pogodę, święta i niespodziewane zdarzenia. Te wzorce nie są proste ani płynne: gorące popołudnie, nagła burza lub zmiana godzin pracy mogą zakrzywić krzywą w różny sposób. Tradycyjne narzędzia prognozowania mają trudności z tą mieszanką regularnych cykli i niespodzianek, zwłaszcza gdy muszą analizować wiele sygnałów naraz, takich jak przeszłe zapotrzebowanie, informacje kalendarzowe i inne konteksty.

Patrzenie na zapotrzebowanie w przestrzeni i czasie

Autorzy argumentują, że istotne są dwa rodzaje wzorców. Pierwsze to relacje między różnymi sygnałami wejściowymi w danym momencie, na przykład jak temperatura, pora dnia i ostatnie zapotrzebowanie poruszają się razem. Nazywają to relacjami przestrzennymi, ale tutaj „przestrzenne” oznacza powiązania między cechami, a nie geograficzne położenie. Drugie to zmiany w czasie, takie jak poranny wzrost zużycia czy weekendowy spadek. Większość starszych modeli koncentruje się głównie na wymiarze czasowym i traktuje wszystkie sygnały wejściowe w uproszczony sposób, tracąc przydatną strukturę w interakcjach tych sygnałów.

Dwustopniowy model uczenia głębokiego

Aby temu sprostać, badanie wprowadza model głębokiego uczenia o nazwie Spatial Temporal GRU, czyli ST GRU. Działa on w dwóch etapach. W pierwszym etapie specjalna sieć analizuje jedynie różne sygnały wejściowe w każdym 15‑minutowym kroku, ucząc się, jak się one wzajemnie odnoszą, i kompresując je do zwartego obrazu stanu. W drugim etapie inna sieć przyjmuje sekwencję tych obrazów i uczy się, jak zapotrzebowanie zmienia się w ciągu godzin i dni. Rozdzielając te zadania, model może zwrócić uwagę zarówno na relacje między cechami, jak i na aspekty czasowe, zamiast łączyć wszystko w jeden proces.

Porównanie zaawansowanych modeli

Naukowcy nie ograniczyli się do zaproponowania nowego modelu; zmierzyli go z szerokim zestawem konkurentów. Korzystając z dwóch publicznych zestawów danych z pomiarami zużycia co 15 minut, porównali standardowe sieci rekurencyjne, modele oparte na mechanizmie uwagi, temporalne sieci konwolucyjne oraz konstrukcje typu transformer. Wszystkie modele były starannie trenowane i dostrajane na jednym zbiorze, a następnie testowane zarówno na wydzielonych danych z tego samego źródła, jak i na drugim, niezależnym zbiorze, naśladując sytuację, w której narzędzie prognostyczne musi stawić czoła nowym warunkom w rzeczywistej pracy sieci.

Co pokazują wyniki

We wszystkich niemal miarach błędu i dokładności model ST GRU dostarczył najbardziej trafne prognozy. Zmniejszył błąd predykcji o kilka procent w porównaniu ze standardowym modelem GRU i około o jedną czwartą w porównaniu z popularnym modelem LSTM na głównym zbiorze danych. Dobrze sprawdził się także wobec nowych danych, zaszumionych pomiarów i sztucznie wprowadzonych luk, co sugeruje, że jego dwustopniowa konstrukcja zwiększa odporność na niedoskonałości i zakłócenia w sygnałach ze świata rzeczywistego. Niektórzy rywale, tacy jak zoptymalizowany dwukierunkowy LSTM, transformery i temporalne sieci konwolucyjne, osiągali dobre wyniki, lecz średnio wciąż ustępowali ST GRU.

Znaczenie dla życia codziennego

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że inteligentniejsza, starannie zorganizowana AI może uczynić prognozy zapotrzebowania na energię bardziej niezawodnymi. Najpierw ucząc się, jak różne sygnały współzależne są w danej chwili, a potem jak te relacje zmieniają się w czasie, model ST GRU lepiej śledzi wzloty i spadki zużycia energii. W praktyce może to pomóc operatorom sieci lepiej planować pracę elektrowni, integrować większy udział energii odnawialnej i płynniej reagować na nagłe zmiany popytu, przy jednoczesnym ograniczeniu strat i poprawie stabilności systemu elektrycznego, na którym polegają gospodarstwa domowe i firmy.

Cytowanie: A. Palan, V., N., S. Electricity consumption prediction using an advanced spatial-temporal deep learning framework. Sci Rep 16, 15425 (2026). https://doi.org/10.1038/s41598-026-46825-y

Słowa kluczowe: prognozowanie zapotrzebowania na energię, uczenie głębokie, szeregi czasowe, systemy energetyczne, sieć inteligentna