Wpływ dokładnego prognozowania obciążenia na stabilność rynku energii w Japonii z użyciem klasycznych metod szeregów czasowych i uczenia głębokiego

Dlaczego jutrzejszy rachunek za prąd zaczyna się od dzisiejszego oszacowania

Co godzinę japońskie firmy energetyczne próbują przewidzieć, ile energii elektrycznej zostanie zużyte następnego dnia. Jeśli prognoza jest zawyżona, pieniądze są tracone na niepotrzebną energię. Jeśli jest zaniżona, braki w dostawach mogą prowadzić do skoków cen. Badanie analizuje, jak różne metody „zgadywania” — od tradycyjnej statystyki po nowoczesne uczenie głębokie — sprawdzają się w dziewięciu bardzo zróżnicowanych regionach Japonii oraz jaką wartość finansową i stabilności można uzyskać, gdy te prognozy stają się dokładniejsze.

Łatany system energetyczny o bardzo różnych potrzebach

System elektroenergetyczny Japonii jest nietypowy. Podzielony jest na dziewięć regionalnych rynków, które nie dzielą się energią swobodnie, a ponadto działają na dwóch różnych częstotliwościach — 50 i 60 Hz. Obszary północne, takie jak Hokkaido i Tōhoku, doświadczają dużych szczytów zimowego ogrzewania, podczas gdy regiony południowe, jak Kyūshū, odnotowują wzrosty latem wraz z włączaniem klimatyzatorów. Ośrodki przemysłowe, gęsto zaludnione miasta i obszary wiejskie mają własne wzorce zużycia. Ponieważ każdy region rozlicza ceny oddzielnie, uniwersalna prognoza „na jedno kopyto” może nie uchwycić lokalnych rytmów, powodując zarówno napięcia techniczne, jak i ryzyko finansowe.

Trzy różne sposoby widzenia przyszłości

Naukowcy porównali trzy rodziny narzędzi prognostycznych, wykorzystując godzinne dane z lat 2019–2022 dla wszystkich dziewięciu regionów. Klasyczny model statystyczny (oznaczony jako SARIMA) wyszukuje powtarzające się wzory dobowo‑sezonowe i przedłuża je w przyszłość. Model probabilistyczny (Ukryty Model Markowa) traktuje zapotrzebowanie jako skaczące między ukrytymi „stanami”, takimi jak dni robocze czy święta, i szacuje prawdopodobieństwo każdego stanu. Sieć uczenia głębokiego (LSTM) uczy się złożonych, nieliniowych zależności z dużych zbiorów danych historycznych, wychwytując długodystansową pamięć zmian w zapotrzebowaniu. Wszystkie trzy metody prognozowały zapotrzebowanie z godzinnym i dobowym wyprzedzeniem, zarówno w warunkach normalnych, jak i w warunkach stresowych: w dniu o najwyższym zapotrzebowaniu, w dniu o najniższym zapotrzebowaniu oraz w dużym dniu świątecznym.

Różne regiony, różni zwycięzcy

Wyniki pokazują, że nie ma uniwersalnego zwycięzcy. W zatłoczonych regionach miejskich o silnie zmiennym zapotrzebowaniu zwykle najlepiej radził sobie model uczenia głębokiego, szczególnie w stresujących dniach szczytowych. Na przykład w dniu maksymalnego zapotrzebowania w Tokio LSTM wyraźnie przewyższył klasyczny model SARIMA. Natomiast w bardziej stabilnych, uprzemysłowionych regionach o łagodniejszych wzorcach prostszy model SARIMA często dorównywał lub przewyższał uczenie głębokie, zwłaszcza w spokojnych dniach o niskim zapotrzebowaniu, gdy dominują regularne cykle. Model probabilistyczny rzadko wygrywał w warunkach normalnych, ale sprawdzał się podczas nietypowych dni. W święto w Tōhoku, gdy zachowania ludzi znacząco odbiegały od rutyny dni roboczych, Ukryty Model Markowa okazał się najdokładniejszy.

Od błędów prognozy do realnych kosztów

Aby powiązać statystyki z konsekwencjami codziennymi, zespół przekładał błędy prognoz na wartości pieniężne, używając rzeczywistych cen rynków regionalnych. Nawet minimalne różnice w dokładności sumowały się. W regionie Chūgoku zaledwie 0,08 punktu procentowego przewagi w dokładności oznaczało uniknięcie około 5,4 miliona jenów dodatkowych kosztów w jednym dniu szczytowym. W Tokio większa różnica błędów w dniu wysokiego zapotrzebowania odpowiadała dodatkowej obciążeniu finansowemu rzędu około 642 milionów jenów. W Tōhoku wybór niewłaściwego modelu podczas święta mógł kosztować ponad 100 milionów jenów. Badanie również oszacowało pasma niepewności prognoz, wykazując, że modele uczenia głębokiego zwykle dawały najwęższe i najbardziej wiarygodne przedziały, podczas gdy model probabilistyczny niósł w wielu regionach najszersze ryzyko.

Mądrzejsze wybory dla stabilniejszej sieci

Dla czytelnika niebędącego specjalistą kluczowy wniosek jest prosty: lepiej dopasowane prognozy obniżają koszty i zwiększają bezpieczeństwo działania systemu energetycznego. Regiony Japonii zachowują się zbyt różnorodnie, by jedna metoda była najlepsza wszędzie i zawsze. Uczenie głębokie błyszczy tam, gdzie zapotrzebowanie jest złożone i szybko się zmienia; klasyczna statystyka sprawdza się tam, gdzie wzory są regularne; modele stanowe pomagają, gdy zachowania nagle się zmieniają, np. w święta. Dobierając właściwe narzędzie dla danego miejsca i sytuacji, przedsiębiorstwa energetyczne mogą obniżyć koszty o dziesiątki do setek milionów jenów dziennie, zmniejszyć skoki cen i prowadzić sieć z większą pewnością, gdy Japonia zmierza ku bardziej elastycznej i niskoemisyjnej przyszłości energetycznej.

Cytowanie: Rabie, D., Moradi, M., Xuan, W. et al. Impact of accurate load forecasting on electricity market stability in Japan using classical time-series and deep-learning methods. Sci Rep 16, 11781 (2026). https://doi.org/10.1038/s41598-026-46859-2

Słowa kluczowe: prognozowanie zapotrzebowania na energię elektryczną, japoński rynek energetyczny, uczenie głębokie energia, modelowanie szeregów czasowych, ryzyko na rynku energii