Prognoser för elförbrukning med intervallmodeller baserade på granularitet och rimlighetsprinciper

Varför detta spelar roll för vardaglig elanvändning

Att hålla lamporna tända är en känslig balansgång. Kraftbolag måste alltid ha tillräckligt med el redo för att möta efterfrågan, men inte så mycket att de slösar bränsle och pengar. Denna studie utforskar ett nytt sätt att prognostisera hur mycket el en region kommer att behöva framöver, särskilt över månader och år, samtidigt som den redovisar hur osäkra dessa prognoser är. Det är viktigt för alla som är beroende av ett pålitligt, prisvärt och alltmer koldioxidsnålt elsystem.

Från enstaka gissningar till säkra intervall

De flesta traditionella prognosverktyg ger ett enda tal för framtida elbehov, till exempel ”nätet kommer att behöva 5 000 megawatt klockan 18 i morgon”. Dessa punktprognoser kan vara mycket precisa för den närmaste framtiden, men blir osäkra längre fram, eftersom efterfrågan påverkas av väder, ekonomisk tillväxt och förändrade vanor som laddning av elfordon. Nyare metoder med maskininlärning och djupinlärning har förbättrat noggrannheten, men de ger ofta fortfarande en enda ”bästa gissning” och döljer vanligen osäkerhet bakom komplexa sannolikhetsantaganden som är svåra för operatörer och myndigheter att tolka.

Tänka i block istället för i punkter

Författarna föreslår ett annat tankesätt: istället för att satsa på ett enda tal prognostiserar de intervall—säkra spann inom vilka det verkliga behovet sannolikt kommer att ligga. För att bygga dessa intervall använder de en idé som kallas ”granulär databehandling”, vilket behandlar data i meningsfulla block, eller granuler, snarare än som isolerade punkter. För elbehov är varje granula ett intervall kring ett centralt värde (till exempel daglig eller veckovis medianlast) som fångar hur mycket lasten kan variera. Att arbeta med sådana granuler hjälper till att jämna ut slumpmässigt brus, gör mönster tydligare över dagar, veckor och månader och ger en mer realistisk bild av hur osäker framtiden faktiskt är.

Balansera att vara tillräckligt bred och tillräckligt skarp

En central utmaning är att bestämma hur bred varje intervall bör vara. Om det är för brett kommer det nästan alltid att innehålla det verkliga behovet men bli värdelöst för planering eftersom det är för vagt. Om det är för smalt kan det missa verkliga värden och ge en falsk känsla av säkerhet. Forskarna tacklar detta genom att definiera två enkla mått: ”täckning” (coverage), andelen faktiska värden som faller inom ett givet intervall, och ”specificitet”, ett mått på hur snävt och informativt intervallet är. De kombinerar dem till ett enda mått som kallas ett rättfärdigandeindex. Metoden söker sedan efter intervall som maximerar detta index, och avvisar automatiskt extrema fall—intervall som är så breda att de förklarar allt och ingenting, eller så snäva att de missar för många verkliga datapunkter.

Testa idén på ett verkligt elsystem

För att se hur väl detta tillvägagångssätt fungerar i praktiken använde teamet fyra år av data från Omans huvudkraftnät, mätta var 30:e minut från 2020 till 2023. De byggde och stämde av sina intervall med data från 2020–2022 och kontrollerade sedan hur väl dessa intervall fångade de osedda lasterna 2023. De konstruerade dagliga, veckovisa och månatliga intervall och jämförde dem med mer bekanta prognosverktyg som regressionsmodeller, beslutsträd, djupa neurala nätverk och probabilistiska metoder som kvantilregression och conformal prediction. Med ett ”overlap”-mått bedömde de hur nära de predicerade intervallen matchade intervall byggda direkt från 2023 års data. Resultaten visade att när de gick från dagliga till veckovisa och månatliga granuler blev intervallen mer stabila, bättre anpassade till verkligheten och lättare att tolka.

Vad de nya intervallen avslöjar om nätet

Analysen gav flera praktiska insikter. För det första förbättrar aggregering över längre perioder, såsom veckor och månader, prognosernas tillförlitlighet avsevärt, eftersom dagliga fluktuationer jämnas ut. För det andra visade sig de optimerade intervallen ge en klar och konsekvent överensstämmelse med verklig efterfrågan över flera år, vilket tyder på att metoden generaliserar väl istället för att överanpassa sig till ett enskilt år. För det tredje var vardags- och helgdagars efterfrågan i det studerade systemet förvånansvärt lika, vilket antyder att separata modeller för vardagar och helger inte var nödvändiga. Jämfört med andra intervallbaserade prognosmetoder levererade den rättfärdigade-granulära metoden konkurrenskraftig täckning samtidigt som intervallen hölls rimligt snäva, allt utan att anta någon specifik statistisk fördelning för datan.

Hur detta hjälper att hålla nätet pålitligt

För icke-specialister är huvudresultatet enkelt: istället för att dölja osäkerhet gör denna metod den synlig och användbar. Nätoperatörer kan planera produktion, reserver och underhåll kring ett realistiskt spann för sannolik framtida efterfrågan, snarare än ett enda skört tal. Nedre gränsen visar hur mycket kapacitet de säkert kan skala ned, medan övre gränsen indikerar hur mycket backup de bör hålla redo för varma dagar, ekonomiska uppsving eller andra överraskningar. Genom att uttrycka osäkerhet på ett transparent, datadrivet sätt stödjer dessa intervallprognoser mer motståndskraftiga, kostnadseffektiva och i slutändan mer hållbara elsystem.

Citering: 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

Nyckelord: prognoser för elförbrukning, osäkerhetsintervall, granulär databehandling, nätplanering, energitidsserier