Прогнозирование цен на энергию и внедрения возобновляемых источников через оптимизированную древовидную обучающую систему с объяснимым искусственным интеллектом

Почему для вас важны будущие цены на электроэнергию

Счета за электроэнергию, цены на топливо и скорость, с которой солнце и ветер вытесняют уголь и нефть, формируют повседневную жизнь и национальные экономики. В этом исследовании задаётся, на первый взгляд, простой вопрос: можем ли мы с помощью современных инструментов данных увидеть, куда движутся цены на энергию и внедрение чистой энергии, и понять, что на самом деле управляет этими изменениями? Анализируя два десятилетия глобальных энергетических данных с применением продвинутых методов машинного обучения, автор создаёт систему прогнозирования, которая не только предсказывает будущие тенденции, но и объясняет, какие факторы — например зависимость от ископаемого топлива или выбросы углерода — имеют наибольшее значение.

Отслеживая меняющиеся энергетические привычки мира

Исследование начинается с большой базы данных, охватывающей более 50 стран за период с 2000 по 2024 год. Для каждой страны и года отслеживаются среднее потребление энергии на человека, зависимость страны от ископаемого топлива, распределение энергии между промышленностью и домохозяйствами, общий объём потребления энергии и уровень выбросов углерода. Затем фиксируются два ключевых результата: индекс цен на энергию, отражающий, насколько дорога электроэнергия, и доля энергии из возобновляемых источников, таких как ветер, солнце и гидроэнергетика. Поскольку данные охватывают многие регионы и годы, они захватывают как локальные различия, так и долгосрочные глобальные тенденции, делая их пригодными для прогнозирования.

Обучая цифровые «деревья» на энергетических данных

Чтобы превратить историческую информацию в прогнозы, исследование опирается на семейство методов, известных как древовидные модели машинного обучения. Эти модели разбивают данные на ветви на основе простых вопросов, например, превышает ли использование ископаемого топлива определённый порог, в конечном счёте приходя к прогнозам по цене или доле возобновляемых источников. Вместо отдельного дерева автор строит леса деревьев и повышает их производительность с помощью так называемых метаэвристических алгоритмов оптимизации, вдохновлённых поведением животных, которые ищут лучшие настройки каждой модели. Этот процесс настройки улучшает как точность, так и стабильность при работе со сложными, шумными, реальными данными.

Проверка надёжности и раскрытие «чёрного ящика»

Точные прогнозы полезны лишь в том случае, если они выдерживают проверку. Исследование тестирует свои модели, многократно обучая и оценивая их на разных фрагментах упорядоченных по времени данных, имитируя их работу на будущих годах, которых модели не видели. В этих тестах лучшие гибридные модели объясняют более 90 процентов вариации как в ценах на энергию, так и в доле возобновляемой энергии, с относительно небольшими типичными ошибками. Чтобы избежать частой критики в адрес машинного обучения как «чёрного ящика», автор применяет инструменты объяснимого ИИ. Один из них, называемый SHAP, распределяет вклад каждого входного фактора в конкретный прогноз, показывая, насколько каждый из них подтолкнул прогноз вверх или вниз. Другой, метод чувствительности, называемый методом косинусной амплитуды, исследует, как изменения и сочетания входных величин распространяются на выходы.

Что действительно управляет ценами и ростом чистой энергии

Эти инструменты интерпретируемости выявляют ясную картину. Для прогнозирования доли возобновляемых источников выделяются две переменные: зависимость страны от ископаемого топлива и уровень её углеродных выбросов. Высокая зависимость от ископаемого топлива и большие выбросы, как правило, сдерживают рост возобновляемых источников, тогда как отступление от ископаемого топлива сильно коррелирует с увеличением доли чистой энергии. Для цен на энергию ведущую роль играет общее потребление энергии — сколько электроэнергии страна использует в заводах, офисах и домах. Регионы с высоким потреблением энергии на человека или с сильной опорой на ископаемое топливо более уязвимы к колебаниям цен при дефиците предложения. Анализ также показывает, что важны взаимодействия: например, совместный эффект промышленного потребления энергии и общего потребления может превосходить значение каждой из переменных по отдельности.

От более умных прогнозов к более умной политике

Для неспециалистов вывод прост. Сочетая продвинутые алгоритмы обучения с инструментами, разъясняющими их логику, это исследование создаёт рамку прогнозирования, которая одновременно точна и понятна. Оно демонстрирует, что сокращение зависимости от ископаемого топлива и углеродных выбросов полезно не только для климата; это также тесно связано с тем, насколько быстро могут расти возобновляемые источники и насколько стабильны могут быть цены на энергию. Политики, коммунальные службы и инвесторы могут использовать такие модели для тестирования того, как разные решения — например, ценообразование на углерод, программы повышения энергоэффективности или стимулы для возобновляемых источников — могут изменить будущие счета и выбросы. По сути, исследование предлагает основанный на данных компас для навигации в переходе к более доступной и устойчивой глобальной энергетической системе.

Цитирование: Tang, T. Predicting energy prices and renewable energy adoption through an optimized tree-based learning framework with explainable artificial intelligence. Sci Rep 16, 6771 (2026). https://doi.org/10.1038/s41598-026-35706-z

Ключевые слова: цены на энергию, возобновляемая энергия, машинное обучение, углеродные выбросы, ископаемое топливо