Будущее прогнозирования энергопотребления: нейроморфно-аксолотлевая гибридная интеллигенция, революционизирующая работу сетей через био-вдохновлённое восстановление пропущенных данных

Поддерживая свет в шумном мире

Наши энергосети всё больше зависят от точных прогнозов того, сколько электроэнергии потребуют дома, заводы, центры обработки данных и электромобили в ближайшие часы и дни. При этом данные, лежащие в основе этих прогнозов, полны разрывов и сбоев из‑за неисправных датчиков, плохой погоды и сбоев связи. В этой статье предлагается необычное сочетание идей из логики, биологии саламандр и поведения приматов, которое вместе создаёт новый способ восстановления повреждённых данных и существенно повышает точность прогнозов спроса на электроэнергию.

Почему отсутствие чисел угрожает сети

Современные электрические системы балансируют энергию от крышевых солнечных панелей, ветряных ферм, зарядки электромобилей и энергоёмких центров обработки данных. Чтобы безопасно и экономно уравновешивать спрос и предложение, операторы сети опираются на поток измерений: температуры, уровня освещённости и потоков мощности в разных зонах. На практике многие из этих показателей просто не поступают. Датчики выходят из строя, каналы связи обрываются, а штормы могут выводить из строя целые участки сети. Если модели прогнозирования получают такие повреждённые временные ряды «как есть», их ошибки растут, и операторы вынуждены держать дополнительные резервные мощности в готовности, что увеличивает и затраты, и выбросы.

Новый взгляд на неопределённые данные

Большинство существующих методов заполнения пропусков рассматривают значения как либо известные, либо неизвестные и пытаются угадать пробелы, опираясь на соседние значения. Авторы предлагают вместо этого трёхкомпонентное описание каждой точки данных: насколько вероятно, что она верна, насколько она неопределённа и насколько велика вероятность её ошибочности. Такой подход, заимствованный из математической идеи нейтрософических множеств, позволяет системе одновременно представлять шумные датчики, сомнительные выбросы и действительно надёжные измерения. Эти три «степени» затем проходят через модель марковского типа, отслеживая, как уверенность и неопределённость меняются со временем вдоль кривой потребления энергии.

Заимствуем приёмы восстановления у необычной саламандры

Чтобы фактически восстановить отсутствующие участки спроса на электроэнергию, рамочная модель черпает вдохновение у аксолотля — саламандры, известной способностью регенерировать утраченные конечности. В модели отсутствующие фрагменты данных ведут себя как повреждённая ткань. Регенеративный модуль исследует локальные закономерности, сезонные циклы и контекстные подсказки, такие как температура и время суток, а затем «выращивает» правдоподобные значения в пробелы. Он работает на нескольких временных масштабах одновременно: с высокой детализацией для коротких отключений и с более общими тенденциями для длительных сбоев. Со временем регенеративная система также «запоминает», какие стратегии восстановления лучше сработали в похожих ситуациях, поэтому с увеличением объёма данных её поведение улучшается.

Пусть виртуальные обезьяны организуют информацию

Даже после восстановления пропущенных значений модели прогнозирования могут оказаться перегружены из‑за слишком многих перекрывающихся сигналов. Чтобы справиться с этим, авторы вводят новый алгоритм оптимизации, смоделированный по территориальному и социальному поведению обезьян-уакаpи. В контексте сети каждая «территория» представляет кандидатный поднабор признаков, например определённые погодные переменные или зоны. Эти территории расширяются, сжимаются и конкурируют за ресурсы, а социальные взаимодействия помогают популяции кандидатов исследовать многочисленные комбинации. Этот процесс постепенно сходится к компактному набору признаков, которые в совокупности дают лучшие прогнозы без лишних вычислительных затрат.

От сложной математики к практической выгоде для сетей

Когда полная гибридная система была протестирована на семи больших реальных наборах данных — от домохозяйств до промышленных объектов, микросетей и зарядных станций для электромобилей — она последовательно превосходила широкий спектр традиционных и современных методов. Совместное восстановление пропущенных данных и отбор признаков обеспечило примерно 31% прироста точности прогнозов и почти 24% снижение ошибки реконструкции, даже когда до 40% данных отсутствовало. Подход хорошо переносился на новые регионы и типы сетей с минимальным дополнительным обучением и работал достаточно быстро для пограничных устройств в подстанциях. Для неспециалиста вывод таков: этот био-вдохновлённый «целитель» повреждённых данных может помочь сетям работать ближе к пределу возможностей с большей уверенностью, лучше интегрируя возобновляемые источники и новые электрические нагрузки при снижении потерь, затрат и риска отказов.

Цитирование: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

Ключевые слова: прогнозирование спроса на электроэнергию, пропущенные данные, умная сеть, алгоритмы, вдохновлённые биологией, интеграция возобновляемых источников