Система долгосрочного прогнозирования спроса на электроэнергию с помощью машинного обучения для стратегических энергетических инвестиций

Почему потребности в электроэнергии завтрашнего дня важны уже сегодня

Обеспечить стабильное энергоснабжение в последующие десятилетия значительно сложнее, чем просто построить больше электростанций. Спрос на электроэнергию растёт по всему миру из‑за роста населения, расширения городов и учащающихся волн тепла. Если власти недооценят, сколько энергии потребуется людям, это грозит отключениями и потерянными инвестициями; если переоценят — они рискуют закрепить дорогостоящую инфраструктуру, которая будет простаивать. В этой статье представлен новый подход к заглядыванию в такой неопределённый прогноз с помощью сочетания современных методов машинного обучения и тщательно подобранных национальных статистических показателей, продемонстрированный на детальном кейсе Египта.

Связывая повседневную жизнь с потреблением энергии

За каждым включением света стоят многочисленные факторы: сколько людей живёт в стране, насколько жаркие летние месяцы, как быстро растёт экономика и сколько генерирующих мощностей уже построено. Традиционные инструменты прогнозирования часто ориентируются преимущественно на прошлое потребление электроэнергии и, в лучшем случае, на небольшое число экономических или погодных индикаторов. Такой узкий взгляд может пропустить важные сдвиги — например, стремительную урбанизацию или растущую государственную задолженность, влияющую на импорт топлива. Авторы утверждают, что национальным планировщикам нужен более широкий ракурс — тот, который одновременно отслеживает предложение электроэнергии, климат, экономику и демографию на протяжении многих лет.

Построение прогностического механизма в три этапа

В исследовании представлен трёхфазный механизм, предназначенный для долгосрочных прогнозов на уровне страны. Сначала идёт сбор и очистка данных: команда собирает месячные и годовые записи за 2000–2023 годы о генерационных мощностях, температурах, осадках, влажности, состоянии экономики и возрастно-половой структуре населения для Египта. Поскольку эти источники имеют разные временные интервалы и иногда содержат пробелы, авторы применяют специальные методы интерполяции, чтобы заполнить пропуски и привести всё к общей месячной шкале, при этом сохранив важные сезонные паттерны, такие как более жаркое лето. Затем они изучают поведение каждой переменной со временем, чтобы понять, требуются ли специализированные модели временных рядов.

Позволяя алгоритмам учиться на прошлом

На втором этапе исследователи сравнивают знакомые статистические инструменты прогнозирования с более гибкими моделями машинного обучения. Классические методы, такие как ARIMA и SARIMAX, используются в качестве эталонов; они улавливают тренды и часть сезонности, но предполагают относительно простые взаимосвязи между переменными. Чтобы работать с более богатым многопеременным набором данных, команда обращается к глубокому обучению — сети с затворными рекуррентными блоками (GRU), хорошо подходящей для выявления закономерностей, разворачивающихся в течение месяцев и лет. Авторы систематически настраивают внутренние параметры модели с помощью оптимизационной схемы и тестируют несколько глубин сети, в конечном счёте приходя к выводу, что один грамотно сконфигурированный слой GRU обеспечивает наилучший баланс между точностью и надёжностью для имеющихся данных.

Определяя, какие факторы важнее всего

Сырая точность недостаточна, если планировщики не понимают, что определяет прогнозы модели. На третьем этапе авторы используют приём интерпретируемости, известный как SHAP, чтобы измерить, насколько каждый входной фактор повышает или понижает прогнозы. Этот анализ показывает, что основными двигателями роста спроса являются население — и сельское, и городское — и доход на душу населения, при этом генерационные мощности и внешний долг играют важную вспомогательную роль. Климатические переменные, особенно экстремальные температуры, по‑прежнему имеют значение, но в долгосрочной перспективе они вносят вклад меньший, чем демографический и экономический рост. Постепенно исключая менее влиятельные переменные и переоценив производительность, авторы выделяют упрощённый набор из тринадцати признаков, обеспечивающих сильные и стабильные прогнозы.

Что результаты значат для энергетического планирования

В ряде тестов уточнённая модель GRU объясняет более четырёх пятых вариации потребления электроэнергии в Египте и удерживает среднюю ошибку чуть выше 4 процентов от типичного месячного спроса. Такой уровень точности в сочетании с ясным пониманием ключевых факторов делает систему пригодной для исследования сценариев «что если» — например, ускоренного роста городов, ввода новых электростанций или изменения уровней долга — и их влияния на сеть. Хотя кейс посвящён Египту, рамки исследования опираются на данные, которые большинство стран уже собирает, и на прозрачные шаги обработки, что делает подход применимым по всему миру. По сути, работа предлагает лицам, принимающим решения, практичный и интерпретируемый прогностический механизм, связывающий повседневные социальные и экономические изменения с энергосистемами, которые должны за ними поспевать.

Цитирование: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

Ключевые слова: прогнозирование спроса на электроэнергию, энергетическое планирование, машинное обучение, климат и энергия, урбанизация