Прогнозирование потребления электроэнергии с помощью продвинутой пространственно-временной глубокой нейросети

Почему важны более точные прогнозы электроэнергии

Каждый раз, когда вы включаете свет или подключаете ноутбук, операторы электрических сетей уже сделали предположение о том, сколько электроэнергии потребуется вам и миллионам других. Если они недооценивают спрос, возможны отключения и скачки цен; если переоценивают — простаивают дорогостоящие электростанции. В этом исследовании рассматривается, как современные методы искусственного интеллекта могут сделать эти прогнозы более точными, помогая поддерживать подачу электроэнергии и одновременно снижать потери и расходы.

Сложность прогнозирования суточной потребности в энергии

Потребление электроэнергии растёт и падает в течение дня, недели и года, формируясь рабочими графиками, погодой, праздниками и непредвиденными событиями. Эти закономерности не просты и не всегда плавны: жаркий полдень, внезапная буря или изменение рабочего расписания могут по-разному искривлять кривую. Традиционные инструменты прогнозирования испытывают трудности с таким сочетанием регулярных циклов и неожиданных изменений, особенно когда им приходится одновременно учитывать множество сигналов, таких как прошлый спрос, календарная информация и другой контекст.

Рассмотрение спроса в пространстве и во времени

Авторы утверждают, что важны два типа закономерностей. Во-первых, это взаимосвязи между различными входными сигналами в один момент времени — например, как температура, время суток и недавний спрос меняются совместно. Они называют эти связи пространственными, но здесь «пространственные» означает связи между признаками, а не географию. Во-вторых, это изменения во времени, такие как утренний подъём потребления или снижение в выходные. Большинство старых моделей в основном учитывают временное измерение и трактуют все входные сигналы простым образом, упуская полезную структуру во взаимодействии этих сигналов.

Двухэтапная модель глубокого обучения

Чтобы решить эту проблему, в исследовании предлагается глубокая модель под названием Spatial Temporal GRU, или ST GRU. Она работает в два этапа. На первом этапе специальная сеть анализирует только разные входные сигналы в каждом 15-минутном шаге, изучая их взаимосвязи и сводя их к компактному снимку состояния. На втором этапе другая сеть принимает последовательность этих снимков и учится тому, как спрос меняется в течение часов и дней. Разделяя эти задачи, модель может внимательно учитывать и связи между признаками, и временные закономерности, вместо того чтобы смешивать всё в одном процессе.

Испытание продвинутых моделей

Исследователи не просто предложили новую модель; они сравнили её с широким кругом конкурентов. На двух публичных наборах данных с измерениями потребления каждые 15 минут они сопоставили стандартные рекуррентные сети, модели с механизмом внимания, временные свёрточные сети и трансформерные архитектуры. Все модели были тщательно обучены и настроены на одном наборе данных, а затем протестированы как на отложенной выборке того же источника, так и на втором независимом наборе, имитируя ситуацию, когда инструмент прогнозирования сталкивается с новыми условиями в реальной эксплуатации сетей.

Чему свидетельствуют результаты

По почти всем показателям ошибки и точности ST GRU показала наиболее точные прогнозы. Она уменьшила ошибку предсказания на несколько процентов по сравнению со стандартной GRU и примерно на четверть по сравнению с популярной LSTM на основном наборе данных. Модель также хорошо себя проявила при работе с новыми данными, шумными измерениями и искусственно добавленными пропусками, что указывает на то, что её двухэтапная структура делает её более устойчивой к артефактам и сбоям в реальных сигналах. Некоторые конкуренты, такие как оптимизированная двунаправленная LSTM, трансформеры и временные свёрточные сети, показывали сильные результаты, но в среднем уступали ST GRU.

Что это означает для повседневной жизни

Для неспециалистов главный вывод в том, что более умный и аккуратно структурированный ИИ может делать прогнозы спроса на электроэнергию более надёжными. Сначала изучая, как разные сигналы связаны в каждый момент, а затем как эти связи меняются во времени, модель ST GRU лучше отслеживает подъемы и падения потребления. На практике это может помочь операторам сетей эффективнее планировать работу электростанций, интегрировать больше возобновляемых источников энергии и более плавно реагировать на внезапные изменения спроса, снижая потери и улучшая стабильность электрической системы, от которой зависят дома и предприятия.

Цитирование: A. Palan, V., N., S. Electricity consumption prediction using an advanced spatial-temporal deep learning framework. Sci Rep 16, 15425 (2026). https://doi.org/10.1038/s41598-026-46825-y

Ключевые слова: прогнозирование спроса на электроэнергию, глубокое обучение, временные ряды, энергетические системы, умная сеть