Прогнозирование электрической нагрузки с помощью интервальных моделей на основе гранулярности и обоснованных принципов

Почему это важно для повседневного потребления электроэнергии

Поддержание электроснабжения — тонкое равновесие. Энергокомпании всегда должны иметь достаточно мощности, чтобы удовлетворить спрос, но не настолько много, чтобы тратить топливо и деньги впустую. В этом исследовании рассматривается новый подход к прогнозированию потребления электроэнергии региона в будущем, особенно на месячные и годовые горизонты, при этом честно показывая степень неопределённости этих прогнозов. Это важно для всех, кто рассчитывает на надёжную, доступную и всё более низкоуглеродную энергосистему.

От одиночных прогнозов к безопасным диапазонам

Большинство традиционных инструментов прогнозирования выдают одно число будущего спроса, например «сети потребуется 5000 мегаватт завтра в 18:00». Такие точечные прогнозы могут быть очень точны в ближайшей перспективе, но с удалением во времени их надёжность падает: спрос формируется под влиянием изменяющейся погоды, экономического роста и новых привычек, например зарядки электромобилей. Современные методы машинного и глубокого обучения повысили точность, но по‑прежнему часто дают одно «лучшее предположение» и обычно скрывают неопределённость за сложными вероятностными допущениями, которые трудно интерпретировать операторам и регуляторам.

Мыслить кластерами вместо точек

Авторы предлагают иной подход: вместо ставок на одно число они прогнозируют интервалы — безопасные диапазоны, внутри которых с высокой вероятностью окажется истинный спрос. Для построения таких диапазонов они используют идею, известную как «гранулярные вычисления», которая рассматривает данные как значимые фрагменты, или гранулы, а не изолированные точки. Для потребления электроэнергии каждая гранула — это интервал вокруг центрального значения (например, ежедневной или недельной медианы нагрузки), отражающий, насколько может колебаться загрузка. Работа с такими гранулами сглаживает случайный шум, делает паттерны более читаемыми в масштабе дней, недель и месяцев и даёт более реалистичную картину реальной неопределённости будущего.

Баланс между широтой и точностью

Ключевая задача — определить, насколько широким должен быть каждый интервал. Слишком широкий интервал почти всегда будет содержать истинное значение, но окажется бесполезным для планирования из‑за чрезмерной расплывчатости. Слишком узкий может пропустить реальные значения и создать ложное ощущение уверенности. Исследователи решают эту проблему, вводя две простые метрики: «покрытие» — долю фактических значений, попадающих в интервал, и «специфичность» — меру того, насколько узок и информативен интервал. Они комбинируют эти показатели в единый индекс обоснованности. Метод затем ищет интервалы, максимизирующие этот индекс, автоматически отвергая крайности — интервалы, которые настолько широки, что объясняют всё и ничего, или настолько узки, что пропускают слишком много реальных наблюдений.

Тестирование идеи на реальной энергосистеме

Чтобы проверить работоспособность подхода, команда использовала четырёхлетние данные с главной электросети Омана, снятые каждые 30 минут в период с 2020 по 2023 год. Они строили и настраивали интервалы на данных 2020–2022 годов, а затем проверяли, насколько хорошо эти интервалы охватывают невидимые нагрузки 2023 года. Были сконструированы суточные, недельные и месячные интервалы и сопоставлены с более привычными инструментами прогнозирования, такими как регрессионные модели, деревья решений, нейросети глубокого обучения и вероятностные методы вроде квантильной регрессии и конформного предсказания. С помощью меры «перекрытия» оценивали, насколько предсказанные интервалы соответствуют интервалам, построенным напрямую по данным 2023 года. Результаты показали, что при переходе от суточных к недельным и месячным гранулам интервалы становятся более стабильными, лучше соответствуют реальности и легче интерпретируются.

Что новые интервалы раскрывают об энергосистеме

Анализ выявил несколько практических выводов. Во‑первых, агрегация данных по более длительным периодам, таким как недели и месяцы, значительно повышает надёжность прогнозов, поскольку суточные колебания усредняются. Во‑вторых, оптимизированные интервалы показывали чёткое и стабильное соответствие фактическому спросу в разные годы, что свидетельствует о хорошей обобщающей способности метода, а не о переобучении под один год. В‑третьих, спрос в будни и выходные в изучаемой системе оказался неожиданно схожим, что указывает на то, что отдельные модели для каждого типа дня не были необходимы. По сравнению с другими интервальными методами подход на основе обоснованных гранул обеспечивал конкурентное покрытие при сохранении разумной узости интервалов и без предположений о конкретном статистическом распределении данных.

Как это помогает поддерживать надёжность сети

Для неспециалистов главный вывод прост: вместо того чтобы скрывать неопределённость, этот метод делает её видимой и полезной. Операторы сетей могут планировать выработку, резервы и техническое обслуживание, ориентируясь на реалистичный диапазон вероятного будущего спроса, а не на одно уязвимое число. Нижняя граница показывает, сколько мощности безопасно отключить, а верхняя — какой резерв нужно держать готовым на случай жарких дней, экономических всплесков или других неожиданностей. Прозрачно выражая неопределённость на основе данных, эти интервальные прогнозы способствуют более устойчивым, экономичным и в конечном счёте более экологически эффективным энергетическим системам.

Цитирование: Al-Hmouz, R., Mansouri, M., Al-Badi, A. et al. Electric-load forecasting using interval models based on granularity and justifiable principles. Sci Rep 16, 7722 (2026). https://doi.org/10.1038/s41598-026-39571-8

Ключевые слова: прогнозирование электрической нагрузки, интервалы неопределённости, гранулярные вычисления, планирование электросети, энергетические временные ряды