电力预测的未来：神经形态-墨西哥钝口螈混合智能通过仿生缺失数据修复革新电网运行

在噪声世界中保持灯火通明

我们的电网越来越依赖对家庭、工厂、数据中心和电动汽车在未来数小时和数天内用电量的精确预测。然而，支撑这些预测的数据充斥着来自损坏传感器、恶劣天气和通信故障的空洞与故障。本文提出了一种来源于逻辑学、蜥蜴科动物生物学和灵长类行为学的非常规思想混合，联合形成一种新的方法来修复受损数据，从而显著提升用电需求的预测精度。

为何缺失的数据威胁电网

现代电力系统需要调度屋顶光伏、风电场、电动汽车充电以及耗能大的数据中心。为了安全且低成本地平衡供需，电网运营商依赖大量测量数据：温度、光照强度以及不同区域的功率流。在现实中，很多这些数值根本无法到达。传感器失效、通信链路中断以及风暴可能摧毁网络的整段区域。如果将这些有缺陷的时间序列“照单全收”地输入预测模型，误差会放大，运营商不得不保持额外的备用电源待命，从而提高成本和排放。

重新看待不确定数据的一种新方法

现有大多数填补缺失值的方法把数值简单地划为已知或未知，并试图通过邻近值进行插补。作者改为对每个数据点使用三部分描述：它正确的可能性、不确定性程度以及错误的可能性。该方法源自一种称为中不确定集合（neutrosophic sets）的数学思想，允许系统并列表示有噪声的传感器、可疑的异常值和真正可靠的读数。这三种“度”随后在一个类马尔可夫模型中传播，跟踪沿用电曲线随时间演化的确定性与不确定性。

借用一种特殊蝾螈的修复技巧

为实际重建缺失的用电数据片段，该框架从墨西哥钝口螈（能再生失去肢体的蝾螈）获得灵感。在模型中，缺失的数据片段被视为受损组织。一个再生模块检查局部模式、季节周期以及诸如温度和时段等上下文线索，然后像“生长”一样将合理数值填入空缺。它同时在多个时尺度上工作：对短时中断恢复精细细节，对长期故障捕捉更广泛的趋势。随着时间推移，再生系统还会“记住”在相似情形下哪些修复策略最有效，从而在看到更多数据时自我改进。

让虚拟猴子来组织信息

即便缺失值被修复，预测模型仍可能被过多重叠信号压垮。为此，作者引入了一种基于秃顶乌阿卡里猴（bald uakari）领地与社会行为的新优化算法。在电网情境中，每个“领地”代表一个候选特征子集，如特定气象变量或区域。这些领地会扩张、收缩并为资源竞争，社交互动帮助候选集合探索多种组合。该过程稳步收敛到一组紧凑的特征，能在不浪费计算资源的前提下共同提供最佳预测。

从复杂数学到实际电网收益

当完整的混合系统在七个大型真实世界数据集上测试——涵盖家庭、工业厂区、微电网和电动汽车充电——它持续优于多种传统与现代技术。共同进行缺失数据修复与特征选择，使预测精度提升约31%，重构误差下降近24%，即便在多达40%的数据缺失时亦然。该方法对新区域和电网类型具有良好的迁移性，几乎无需额外训练，并且运行速度足以在变电站的边缘设备上部署。对普通读者而言，结论是：这种受生物启发的“数据修复者”能帮助电网更可靠地运行在临界点，增强对更多可再生能源和新电负荷的整合能力，同时降低浪费、成本和故障风险。

引用: 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

关键词: 用电需求预测, 缺失数据, 智能电网, 仿生算法, 可再生能源整合