Mamba ECIS для прогнозирования поведения клиентов на рынке электроэнергии с использованием мультимодального глубинного обучения

Почему важны более точные прогнозы электроэнергии

Чтобы поддерживать подачу электроэнергии по разумной цене, энергокомпаниям приходится постоянно прогнозировать, сколько энергии люди потребят в следующий час, день или неделю. Делать такие прогнозы становится сложнее по мере усиления экстремальности погоды, колебаний цен и повсеместного распространения умных счётчиков и подключённых устройств. В этой статье представлена новая система прогнозирования Mamba‑ECIS, которая использует продвинутый искусственный интеллект для одновременного анализа разных типов данных, отделения краткосрочных флуктуаций от долгосрочных привычек и объяснения, какие внешние факторы действительно влияют на потребление электроэнергии клиентами.

От простых догадок к объёмным цифровым портретам

Традиционные инструменты прогнозирования были созданы для более простого мира. Они обычно опирались на один тип данных, например на прошлое потребление, и предполагали, что закономерности останутся относительно стабильными со временем. По мере роста объёмов данных и усложнения поведения потребителей эти методы начали уступать. Даже современные подходы глубинного обучения, хотя и мощные, часто работают как непрозрачные «чёрные ящики» и испытывают трудности с аккуратным объединением погоды, цен, календарных эффектов и других сигналов. Авторы утверждают, что энергетическая система будущего нуждается в моделях, способных усваивать множество источников данных, отслеживать как быстрые колебания, так и медленные сдвиги в спросе, и при этом давать человеко‑читаемые объяснения.

Сведение множества сигналов в единое повествование

Mamba‑ECIS решает эту задачу, сначала объединяя различные потоки информации в единое, упорядоченное по времени представление потребления энергии. Она комбинирует данные потребления с высокой разрешающей способностью с внешними факторами, такими как температура, влажность и цены на электроэнергию, а также с текстоподобными индикаторами праздников или специальных событий. До этапа обучения система нормализует и преобразует эти входы, чтобы они имели общий масштаб. Нейронная сеть затем учится выделять наиболее информативные фрагменты из каждого источника, а шаг взвешивания позволяет модели, например, делать упор на погоду в жаркие летние дни или на цену в часы пиковых тарифов. Это даёт более богатое и гибкое описание того, как и почему используется электроэнергия.

Наблюдение за сегодняшними пиками и завтрашними трендами

Чтобы не путать быстрые всплески с более глубокими сдвигами, модель использует двухветвевую архитектуру. Одна ветвь анализирует данные с высокой частотой — минутные или часово‑часовые колебания, важные для работы в реальном времени. Другая ветвь фокусируется на более медленных, сглаженных закономерностях, таких как среднесуточные значения и сезонные циклы. Каждая ветвь имеет собственные блоки последовательного моделирования, основанные на эффективной архитектуре, известной как Mamba state‑space models, которая способна обрабатывать очень длинные истории без тяжёлых вычислений, характерных для классических сетей на основе внимания. Слой слияния затем объединяет оба представления, автоматически регулируя, насколько сильный вес отдавать краткосрочным или долгосрочным сигналам в зависимости от текущих условий, например тепловой волны или обычного рабочего дня.

Связывание причины и следствия, а не только корреляции

Помимо повышения точности прогнозов, авторы стремятся, чтобы система указывала, какие факторы действительно вызывают изменения в спросе. Для этого они добавляют модуль казуального внимания. Он использует механизм в стиле внимания, чтобы измерять, насколько сильно каждый внешний фактор связан с потреблением в каждый момент, затем передаёт эти взаимосвязи через сеть казуального вывода, которая оценивает прямой вклад каждого фактора. Отдельный шаг взвешивания позволяет модели корректировать эти вклады во времени. Такая конструкция не претендует на полную формальную казуальную теорию, но выходит за рамки простого сопоставления шаблонов: планировщики сетей могут увидеть, например, когда всплески температуры или праздничные расписания являются основной причиной роста потребления, и соответственно планировать маркетинговые или программы управления спросом.

Испытание системы на практике

Исследователи оценили Mamba‑ECIS на двух широко используемых реальных наборах данных: подробных записях потребления домохозяйств из Португалии и высокоразрешённых данных по жилому и коммерческому сектору из США. Оба набора включают миллионы измерений и богатый контекст. По нескольким стандартным метрикам ошибки новая модель превзошла ряд сильных конкурентов, включая современные трансформеры, другие модели на базе Mamba и специализированные временные сети. Типичные улучшения точности на уровне 3–12 процентов могут показаться скромными, но они способны привести к существенной экономии и повышению надёжности для коммунальных компаний на национальном уровне. Дополнительные тесты, в которых удаляли определённые модули, показали, что мультимодальное слияние, двухветвевое строение и шлюз казуального внимания вносят отдельный и взаимодополняющий вклад в производительность.

Что это значит для обычных потребителей электроэнергии

Для неспециалистов ключевая мысль такова: более умные и прозрачные прогнозы могут помочь сделать систему электроснабжения дешевле и надёжнее. Объединяя множество источников данных, отделяя краткосрочный шум от устойчивых привычек и выясняя, какие внешние силы действительно определяют спрос, Mamba‑ECIS предоставляет энергокомпаниям более надёжный ориентир на ближайшее будущее. Это, в свою очередь, может способствовать более справедливому ценообразованию, лучше нацеленным программам по энергосбережению и меньшему количеству сюрпризов во время волн жара или холодов — тихо улучшая производство, маркетинг и потребление энергии за кулисами.

Цитирование: Pang, W., Wang, X. & Li, K. Mamba ECIS for power marketing customer behavior forecasting using multimodal deep learning. Sci Rep 16, 13063 (2026). https://doi.org/10.1038/s41598-026-43438-3

Ключевые слова: прогнозирование спроса на электроэнергию, аналитика интеллектуальной сети, мультимодальное глубинное обучение, поведение потребителей энергии, казуальное машинное обучение