Artykuł badawczy

Prognozowanie retrospektywne z wykorzystaniem danych z sieci prowincjonalnych oraz hybrydowego modelu fizyczno-AI opartego na kwotach

22 wyświetleń

⸱

DOI:

10.3791/72395

⸱

28 sierpnia 2026

 ,  ,  ,  , 
1State Grid Economic and Technological Research Institute Co., Ltd., Techno-Economic Center, 2Finance and Assets Department, State Grid Shandong Electric Power Company, 3Nanjing University

W tym artykule

Podsumowanie

Niniejsze badanie proponuje hybrydowy model prognozowania kosztów dla sieci elektroenergetycznych, który łączy fizyczne kwoty kosztów z dynamicznymi korektami makroekonomicznymi i technologicznymi oraz kompensacją rezydualną opartą na algorytmie XGBoost. Osiągając wartość MAPE na poziomie 2,34%, model ten równoważy dokładność i interpretowalność, odpowiadając na potrzeby przejrzystości regulacyjnej w procesie ustalania taryf.

Streszczenie

Globalna transformacja energetyczna oraz trwające reformy rynku energii elektrycznej wymagają od przedsiębiorstw sieci elektroenergetycznych zrównoważenia niezawodnych dostaw energii z coraz bardziej rygorystycznymi regulacjami dotyczącymi taryf przesyłowych i dystrybucyjnych. Tradycyjne metody budżetowania oparte na ekstrapolacji historycznej często nie oddają fizycznych podstaw eksploatacji aktywów, natomiast modele uczenia maszynowego oparte na danych osiągają wysoką dokładność prognostyczną, ale brakuje im przejrzystości wymaganej do regulacyjnej weryfikacji kosztów. Aby rozwiązać problem kompromisu między dokładnością prognozowania a interpretowalnością, w niniejszym badaniu zaproponowano hybrydowy model prognozowania kosztów oparty na kwotach kosztowych. Struktura ta wykorzystuje zestandaryzowane kwoty operacyjne jako fizyczną podstawę budżetowania i zawiera dynamiczny mechanizm ewolucji kwot sterowany warunkami makroekonomicznymi oraz postępem technologicznym. Do uchwycenia nieliniowych residuów wykraczających poza szacunki oparte na kwotach zastosowano algorytm Extreme Gradient Boosting (XGBoost), natomiast do interpretacji wpływu kluczowych czynników kosztowych wykorzystano metodę SHAP (Shapley Additive exPlanations). Model oceniono na podstawie zanonimizowanych danych operacyjnych z 16 lat z prowincjonalnej sieci energetycznej w Chinach. Osiągnął on średni procentowy błąd bezwzględny (MAPE) na poziomie 2,34%, redukując błędy prognozowania odpowiednio o 61,8%, 46,6% i 34,1% w porównaniu z modelami SARIMAX, samodzielnym XGBoost oraz Attention-LSTM. Zaproponowana struktura integruje inżynieryjne zasady kwot kosztowych z wyjaśnialną sztuczną inteligencją, zapewniając zarówno dokładne długoterminowe prognozy kosztów, jak i przejrzyste narzędzie wspomagania decyzji w zakresie weryfikacji regulacyjnych kosztów dopuszczalnych.

Wprowadzenie

Globalna transformacja energetyczna przekształca zarządzanie aktywami sieci elektroenergetycznych oraz praktyki operacyjne poprzez integrację rozproszonej generacji z odnawialnych źródeł energii, rosnącą liczbę ekstremalnych zjawisk pogodowych oraz powszechne wdrażanie technologii IoT, co wymaga większej elastyczności operacyjnej i zasobów konserwacyjnych w celu zapewnienia niezawodności systemu1,2. Jednocześnie organy regulacyjne w sektorze energetycznym wzmocniły nadzór nad taryfami za przesył i dystrybucję za pomocą takich ram, jak brytyjski system RIIO oraz przeglądy stóp zwrotu przeprowadzane przez Federalną Komisję Regulacyjną Energii (FERC) w USA, kładąc nacisk na przejrzystość uzasadnienia kosztów3. Chiny w podobny sposób przyjęły mechanizm regulacyjny „koszt dopuszczalny plus rozsądny zwrot”, wymagający od przedsiębiorstw energetycznych wykazania wyraźnych powiązań między działaniami inżynieryjnymi a wydatkami finansowymi4. Jednakże przedsiębiorstwa energetyczne często nie dysponują przejrzystymi narzędziami ilościowymi, które łączyłyby eksploatację fizycznych aktywów z prognozami kosztów, co ogranicza skuteczność regulacyjnej weryfikacji kosztów5.

Istniejące podejścia do prognozowania wykazują istotne ograniczenia w tym środowisku6. Tradycyjne metody, w tym budżetowanie przyrostowe i modele oparte na ARIMA, zakładają stosunkowo stabilne wzorce historyczne i często wykazują niską skuteczność w przypadku zmian strukturalnych spowodowanych wahaniami gospodarczymi lub ekstremalnymi zjawiskami pogodowymi7. Z kolei nowoczesne modele uczenia maszynowego, takie jak architektury LSTM i Transformer, zapewniają wysoką dokładność predykcyjną w prognozach krótkoterminowych, lecz brakuje im interpretowalności inżynieryjnej wymaganej do podejmowania decyzji regulacyjnych8,9. Chociaż niedawne hybrydowe podejścia do prognozowania łączą techniki statystyczne i uczenie maszynowe, zazwyczaj pomijają one znormalizowane inżynieryjne kwoty kosztowe, które stanowią podstawę systemów rachunkowości sieci elektroenergetycznych10. Aby rozwiązać te ograniczenia, niniejsze badanie proponuje hybrydowe ramy prognozowania sterowane kwotami, które łączą dynamiczną ewolucję kwot z korektą residuów opartą na uczeniu maszynowym, zachowując interpretowalność inżynieryjną przy jednoczesnej poprawie dokładności prognoz.

Jeden z głównych kierunków badawczych wynika z regulacji bodźcowych w branżach monopolu naturalnego, w tym z brytyjskiego mechanizmu RPI-X oraz chińskiego systemu weryfikacji kosztów dopuszczalnych11. Badania te koncentrują się przede wszystkim na ocenie efektywności operacyjnej przy użyciu analizy obwiedni danych (DEA) oraz stochastycznej analizy frontyry (SFA)12. W poprzednich pracach badano długoterminowe zależności między wydatkami kapitałowymi (CAPEX), wydatkami operacyjnymi (OPEX) a efektywnością kosztową w celu wsparcia regulacji taryfowych13,14. Choć podejścia te dostarczają cennych informacji makroekonomicznych, ich wyniki są zazwyczaj wyrażone jako relatywne wskaźniki efektywności, a nie prognozy pieniężne odpowiednie do rocznego budżetowania15,16. Co więcej, modele frontyry zazwyczaj zakładają względną stabilność struktury aktywów fizycznych i warunków operacyjnych, co ogranicza ich zdolność do uchwycenia gwałtownych zmian kosztów wynikających ze starzenia się aktywów, wymiany infrastruktury lub szybkiego wzrostu popytu17,18.

Drugi kierunek badawczy koncentruje się na modelach prognozowania opartych na statystyce i sztucznej inteligencji. Wczesne badania wykorzystywały wieloraką regresję liniową oraz modele autoregresyjnej zintegrowanej średniej ruchomej z zewnętrznymi zmiennymi (ARIMAX) do przewidywania kosztów19. W ostatnim czasie modele regresji wektorów wsparcia, lasy losowe, XGBoost, LSTM oraz modele Transformer znacząco poprawiły wydajność prognozowania dzięki wykorzystaniu nieliniowych zależności i wielowymiarowych przestrzeni cech20,21,22. Podejścia te często uwzględniają wskaźniki makroekonomiczne, takie jak zapotrzebowanie na energię elektryczną, indeksy cen producentów (PPI) oraz zmienne klimatyczne23. Jednak koszty eksploatacji sieci energetycznej wynikają z działań inżynieryjnych, degradacji aktywów, harmonogramowania konserwacji i decyzji zarządczych, a nie tylko ze zmiennych makroekonomicznych24. W konsekwencji modele oparte wyłącznie na danych często funkcjonują jako tzw. „czarne skrzynki”, co utrudnia wyjaśnienie prognozowanych kosztów podczas przeglądów regulacyjnych lub weryfikacji kosztów dopuszczalnych25,26.

Zarządzanie kwotami kosztów inżynieryjnych stanowi potencjalne rozwiązanie tego problemu27. Rachunkowość oparta na działaniach (ABC) od dawna opiera się na ustandaryzowanych kwotach operacyjnych w celu szacowania zapotrzebowania na pracę, materiały, sprzęt i konserwację w ramach rutynowych operacji sieciowych28. Główne chińskie przedsiębiorstwa energetyczne opracowały kompleksowe bazy danych kwot obejmujące czynności kontrolne, konserwacyjne, testowe, naprawcze oraz wymianę sprzętu. Niemniej jednak standardy inżynieryjne te są wykorzystywane głównie do rozliczeń projektowych i audytów, a nie do dynamicznego prognozowania długoterminowego29,30. Co więcej, standardy kwotowe są zazwyczaj aktualizowane jedynie co kilka lat, co sprawia, że są one niewystarczająco responsywne w obliczu zmieniających się cen surowców, postępu technologicznego i praktyk operacyjnych31. Stosowanie systemów kwotowych w odniesieniu do milionów rozproszonych aktywów stwarza również znaczne wyzwania obliczeniowe dla prognozowania na dużą skalę32.

Mimo znaczących postępów w prognozowaniu statystycznym, uczeniu maszynowym i zarządzaniu kosztami inżynieryjnymi, żaden istniejący system nie integruje w sposób efektywny ustandaryzowanych kwot kosztów inżynieryjnych, dynamicznych korekt makroekonomicznych oraz wyjaśnialnego uczenia maszynowego w ramach jednolitego modelu prognozowania służącego do regulacyjnej weryfikacji kosztów. Postawiono hipotezę, że połączenie dynamicznie ewoluujących kwot kosztowych z uczeniem resztkowym opartym na XGBoost może poprawić dokładność prognoz długoterminowych, zachowując jednocześnie przejrzystość inżynieryjną wymaganą do podejmowania decyzji regulacyjnych. Aby przetestować tę hipotezę, opracowano hybrydowy system prognozowania oparty na kwotach, który integruje fizyczne modelowanie kosztów, mechanizmy korekty makroekonomicznej i technologicznej, kompensację resztkową XGBoost oraz interpretację modelu w oparciu o SHAP. Zaproponowane podejście ma na celu zapewnienie zarówno dokładnych długoterminowych prognoz kosztów, jak i przejrzystych dowodów wspierających weryfikację kosztów dopuszczalnych w ramach nowoczesnych regulacji rynku energii elektrycznej.

Protokół

W niniejszym badaniu wykorzystano zanonimizowane dane operacyjne i finansowe zebrane z prowincjonalnej sieci elektroenergetycznej we wschodnich Chinach. Wszystkie dane zostały zagregowane i pozbawione cech identyfikacyjnych przed analizą; nie uwzględniono żadnych danych osobowych ani wrażliwych informacji na poziomie indywidualnym. W związku z tym zgoda komisji etycznej nie była wymagana. Dostęp do danych oraz ich analiza odbywały się zgodnie z obowiązującymi przepisami o ochronie danych oraz umowami instytucjonalnymi regulującymi informacje w sektorze energetycznym.

Przegląd struktury prognozowania

Aby zintegrować podejścia do prognozowania oparte na fizyce i na danych, opracowano hybrydowy model prognozowania, który łączy inżynieryjne normy kosztowe z uczeniem maszynowym. Zamiast prostego łączenia wielu algorytmów, model ten opiera się na zasadzie, zgodnie z którą modele fizyczne ustanawiają prognozę bazową, natomiast uczenie maszynowe kompensuje błędy rezydualne. Taka konstrukcja gwarantuje, że proces prognozowania jest ugruntowany w mechanizmach fizycznych leżących u podstaw produkcji i eksploatacji sieci elektroenergetycznej, zamiast polegać wyłącznie na ekstrapolacji historycznych kosztów.

W ramach opracowanej struktury w pierwszej kolejności ustanowiono hierarchiczne mapowanie pomiędzy aktywami sieci elektroenergetycznej, zestandaryzowanymi czynnościami operacyjnymi a finansowymi kontami kosztów. Koszty produkcji i eksploatacji są traktowane jako pieniężne reprezentacje zasobów zużywanych przez aktywa fizyczne — w tym stacje transformatorowe, linie przesyłowe, linie rozdzielcze, urządzenia pomiarowe i sprzęt do inspekcji cyfrowych — podczas rutynowych działań, takich jak inspekcja, konserwacja, testowanie, naprawa i wymiana. Kwoty kosztowe służą jako łącznik pomiędzy mierzalnym obciążeniem inżynieryjnym a odpowiadającymi mu wydatkami finansowymi.

Jak zilustrowano na Rysunku 1, kwoty kosztowe funkcjonują jako zestandaryzowane jednostki rozliczeniowe wbudowane w cały proces eksploatacji i konserwacji aktywów, a nie jako abstrakcyjne reguły alokacji finansowej. Obciążenia operacyjne aktywów na najniższym poziomie są przekształcane w zestandaryzowane kwoty operacyjne, a następnie przypisywane do kategorii kosztów, obejmujących robociznę, materiały, sprzęt budowlany, usługi zewnętrzne oraz zaopatrzenie awaryjne. Takie hierarchiczne mapowanie zachowuje interpretowalność inżynieryjną i identyfikowalność regulacyjną w całym procesie prognozowania oraz stanowi fizyczną podstawę do konstrukcji statycznego bazowego modelu kwot.

Przegląd schematu metodologicznego

Proponowana struktura prognozowania składa się z trzech sekwencyjnych etapów: (1) konstrukcji fizycznej bazy odniesienia z wykorzystaniem kwot obciążenia na poziomie zasobów, (2) dynamicznej ewolucji kwot kosztów poprzez korekty makroekonomiczne i technologiczne oraz (3) kompensacji pozostałości opartej na uczeniu maszynowym w celu uchwycenia systematycznych efektów nieliniowych. Jak pokazano na Rysunku 1, struktura ta ustanawia hierarchiczne mapowanie od zasobów najniższego poziomu i standaryzowanych czynności operacyjnych do prognoz kosztów produkcji i eksploatacji. Szczegóły implementacji każdego etapu opisano w poniższych podrozdziałach.

Fizyczny model kosztów bazowych oparty na obciążeniach na poziomie zasobów

Koszt produkcji i eksploatacji sieci elektroenergetycznej, Ctotal, obejmuje wydatki związane z wieloma działaniami operacyjnymi, w tym z eksploatacją podstacji, konserwacją linii przesyłowych, zarządzaniem siecią dystrybucyjną, obsługą klienta oraz systemami wspomagającymi. W niniejszym badaniu przyjęto, że bazowy koszt eksploatacji jest określany przez obciążenie generowane przez każdą zestandaryzowaną czynność operacyjną oraz odpowiadającą jej kwotę kosztową.

Statyczny koszt bazowy oblicza się następująco:

Wzór matematyczny do obliczania C_base,t z symbolami sumowania; używany w analizie danych.   (1)

gdzie Vi,k,t oznacza obciążenie związane z i-tym zasobem lub zadaniem operacyjnym w kategorii biznesowej k w okresie t, a Qi,k reprezentuje odpowiadający mu ustandaryzowany koszt jednostkowy określony przez system kwot kosztów inżynieryjnych. Kategoria biznesowa obejmuje główne funkcje operacyjne, takie jak konserwacja podstacji, inspekcja linii przesyłowych, eksploatacja sieci dystrybucyjnej oraz obsługa klienta. Podwójna suma agreguje koszty wszystkich ustandaryzowanych działań operacyjnych w celu oszacowania teoretycznych wydatków bazowych niezbędnych do utrzymania normalnego funkcjonowania sieci.

Równanie (1) ustanawia fizyczną zależność między obciążeniem prac inżynieryjnych a wydatkami finansowymi poprzez bezpośrednie przypisanie ustandaryzowanych czynności operacyjnych do kont kosztowych. W przeciwieństwie do czysto statystycznych modeli prognozowania, sformułowanie to zapewnia interpretowalną bazę inżynieryjną, która stanowi podstawę dla późniejszej dynamicznej regulacji kwot oraz korekty pozostałości opartej na uczeniu maszynowym. Równanie opracowano na podstawie praktyk operacyjnych i systemu kwot kosztowych stosowanego przez prowincjonalne przedsiębiorstwa sieci elektroenergetycznych w Chinach. Tabela 1 podsumowuje oznaczenia użyte w Równaniu (1), w tym obciążenie prac (Vi,k,t), ustandaryzowany koszt jednostkowy (Qi,k), liczbę zadań operacyjnych (Nk) oraz indeks kategorii biznesowej (k).

Mechanizm dynamicznej ewolucji kwot w warunkach zewnętrznych zaburzeń środowiskowych

Znormalizowane kwoty kosztów (Qi,k) zapewniają fizycznie interpretowalną wartość bazową, lecz nie uwzględniają zmian w warunkach makroekonomicznych ani postępu technologicznego. Aby poprawić ich długoterminową stosowalność, wprowadzono mechanizm dynamicznej ewolucji w celu dostosowania kwot bazowych w odpowiedzi na inflację cen oraz wzrosty wydajności wynikające z rozwoju technologii.

Pierwsza korekta uwzględnia zmiany w kosztach pozyskiwania wynikające z inflacji makroekonomicznej. Eksploatacja i konserwacja sieci elektroenergetycznych w dużej mierze zależą od materiałów masowych, w tym miedzi, aluminium i stali krzemowej, których ceny są ściśle powiązane z wahaniami Indeksu Cen Producentów (PPI). Ponieważ Równanie obliczania indeksu ekonomicznego, obejmujące wskaźnik poziomu cen, symbol I{PPI,t}. jest indeksem o wartości bazowej 100, zostaje on najpierw przekształcony w ustandaryzowaną stopę inflacji:

Wzór na indeks cen, obliczenie PPI, równanie do analizy inflacji i badań ekonomicznych.   (2)

Na tej podstawie funkcję korekty cen Wzór równowagi statycznej Φ(I[PPI],t), równanie, fizyka, zasada równowagi, analiza badawcza. definiuje się następująco:

Wzór na równowagę statyczną, notacja sumy Σ, edukacyjny koncept matematyczny, analiza równania.   (3)

gdzie Równowaga statyczna, ΣF=0, MA=0; diagram przedstawia zrównoważone siły do analizy strukturalnej, do celów edukacyjnych. jest wektorem obciążenia o długości L spełniającym

Wzór na równowagę statyczną, Σωτ=1, ωτ≥0, równanie matematyczne do analizy sumowania.

Struktura opóźnienia reprezentuje odroczony przekaz inflacji makroekonomicznej na koszty zamówień w łańcuchu dostaw sieci elektroenergetycznej. Przekształcenie wskaźnika PPI w zestandaryzowaną stopę inflacji pozwala zachować skumulowany efekt zmian cen, unikając jednocześnie błędu skalowania związanego z bezpośrednim wykorzystaniem wartości wskaźnika. Równania (2) i (3) zostały dostosowane z uznanych modeli korekty inflacji makroekonomicznej, a struktura opóźnienia została skalibrowana pod kątem cykli zamówień w sektorze energetycznym33,34.

Postęp technologiczny został uwzględniony poprzez współczynnik redukcji kosztów, który odzwierciedlał poprawę wydajności operacyjnej wynikającą z takich udoskonaleń jak inspekcje za pomocą bezzałogowych statków powietrznych, inteligentna robotyka oraz technologie cyfrowego utrzymania ruchu. Współczynnik korekty technologicznej definiuje się jako:

Równanie modelu ekonomicznego, Γ(E_tech,t)=1-α·ln(1+β·E_tech,t), ilustrujące wzrost technologiczny.  (4)

W tej części α i β są empirycznymi współczynnikami elastyczności oszacowanymi na podstawie historycznych danych panelowych przy użyciu nieliniowej metody najmniejszych kwadratów. Aby zapewnić, że czynnik postępu technologicznego zawsze reprezentuje rozsądną redukcję kosztów jednostkowej kwoty, proces estymacji parametrów nakłada ograniczenie 0 < Γ(Etech,t) ≤ 1. Należy zauważyć, że czynnik ten odzwierciedla przede wszystkim długoterminową poprawę wydajności wynikającą z zastąpienia dojrzałej technologii. Równanie (4) jest oryginalne dla niniejszej pracy i adaptuje koncepcję krzywej uczenia się z literatury dotyczącej kosztów technologii energetycznych35,36 do operacji konserwacji sieci. Dodatkowe koszty, które mogą wystąpić na wczesnym etapie wdrażania sprzętu cyfrowego, takie jak równoległe działanie starych i nowych systemów, integracja platform, testy komunikacyjne oraz dodatkowa konserwacja, nie są wymuszone odliczane od kwoty bazowej; zamiast tego są one identyfikowane przez następujący po nich moduł kompensacji reszt oparty na uczeniu maszynowym:

Wzór na równowagę statyczną, C_quota,t = C_base,t · Φ(PPI,t) · Γ(E_tech,t), równania, analiza.  (5)

gdzie Cbase,t oznacza statyczny koszt bazowy obliczony na podstawie obciążeń zasobów najniższego poziomu oraz zestandaryzowanych kwot kosztów operacyjnych; Wzór na statyczną równowagę Φ(I[PPI],t), równanie, fizyka, zasada równowagi, analiza badawcza. oddaje efekt przenoszenia makroekonomicznych wahań cen na ceny materiałów, sprzętu i usług zewnętrznych; a Γ(Etech,t) odzwierciedla redukcję jednostkowych kosztów eksploatacji i konserwacji opartą na wydajności po osiągnięciu dojrzałości technologicznej. Dzięki powyższemu mechanizmowi dynamicznej ewolucji, baza kwotowa nie pozostaje już na statycznej podstawie księgowej, lecz może adaptacyjnie dostosowywać się do zmian w środowisku ekonomicznym i warunkach technologicznych. Równanie (5) jest oryginalnym elementem niniejszej pracy i reprezentuje nowatorską integrację korekt cenowych i technologicznych w ramach struktury bazy kwotowej.

Systematyczne przechwytywanie nieliniowych rezyduów pod ograniczeniami kwotowymi

Pomimo złożonych korekt ewolucyjnych, model kwotowy nieuchronnie generuje systematyczne odchylenia w przypadku nieprzewidywalnych zakłóceń pogodowych związanych z katastrofami oraz nagłych dyrektyw politycznych, takich jak wzrost kosztów obsługi reklamacji klientów w okresach tymczasowej redukcji taryf. Odchylenie to tworzy wyraz resztowy po obu stronach równania:

Rt=Cactual,t-Cquota,t  (6)

Ponieważ konwencjonalne reguły fizyczne nie są w stanie wyjaśnić tego aspektu, rozwiązaniem tych ograniczeń może być uczenie maszynowe. Aby uniknąć przekleństwa wymiarowości spowodowanego cechami wysokowymiarowymi, w niniejszym badaniu wykorzystano algorytm XGBoost oparty na zespołach drzew decyzyjnych do modelowania nieliniowej zależności Rt37,38. Zdefiniowano macierz cech silnych zaburzeń Xt, obejmującą cechy meteorologiczne, takie jak roczna liczba ekstremalnych dni mroźnych Dice , oraz intensywność polityki makroekonomicznej.

W przypadku kompensatora nieliniowego składającego się z drzew regresyjnych, logika generowania przewidywanego residuum Symbol R-hat do analizy zbieżności, ilustrujący metodę statystyczną, formuła w formacie graficznym. może zostać wyrażona jako39:

Równanie predykcji gradient boosting, wzór matematyczny, Σ fm(Xt), algorytm, modelowanie danych.   (7)

gdzie F oznacza przestrzeń wszystkich możliwych struktur drzew klasyfikacyjnych i regresyjnych. Aby zrównoważyć dokładność dopasowania i zapobiec przeuczeniu, w m-tej iteracji konstruowana jest i minimalizowana zregularizowana funkcja celu zawierająca człon kary za złożoność strukturalną:

Równanie optymalizacji matematycznej, przedstawiające sumowanie dla dopasowania analizy danych.   (8)

gdzie Notacja ket superpozycji kwantowej |0⟩, wzór mechaniki kwantowej, stosowany w schematach fizycznych. jest wypukłą funkcją straty mierzącą różnicę między rzeczywistym a przewidywanym residuum. W niniejszej pracy zastosowano stratę Hubera (Huber Loss) w celu zwiększenia odporności modelu na anomalne szczyty wydatków. Człon regularyzacji Symbol prawa Ohma; funkcja Omega w równaniu matematycznym; reprezentacja wzoru. jest wykorzystywany do ograniczenia złożoności struktury drzewa i jest definiowany jako:

Równanie optymalizacji Ω(fm)=γTm+(1/2)λ||wm||^2; wzór matematyczny; do celów edukacyjnych.   (9)

gdzie Tm oznacza liczbę liści w m-tym drzewie, wm oznacza odpowiadający im wektor wag liści, a γ i λ oznaczają odpowiednio współczynnik kary za liczbę węzłów liści oraz współczynnik regularyzacji wag.

Końcowe równanie prognozy to:

Równanie modelowania ekonomicznego, formuła alokacji zasobów, metoda analizy finansowej, obraz równania.   (10)

Dalsze rozwinięcie:

Równanie bazowe dynamicznej kwoty; nieliniowa kompensacja resztkowa; metoda analizy formuły.   (11)

Powyższy wzór matematycznie przedstawia strukturę pętli zamkniętej proponowanego modelu prognozowania. Końcowy popyt na koszty produkcji i eksploatacji nie jest generowany bezpośrednio przez model uczenia maszynowego; zamiast tego uzyskuje się go poprzez nałożenie nieliniowej kompensacji rezydualnej zidentyfikowanej przez moduł uczenia maszynowego na dynamiczną linię bazową kwot. Wśród tych komponentów czynniki cenowe i technologiczne odzwierciedlają przede wszystkim dynamiczną ewolucję linii bazowej kwot, podczas gdy czynniki trudne do jednoznacznego scharakteryzowania za pomocą reguł, takie jak szoki klimatyczne, zakłócenia polityczne i gwałtowny wzrost liczby zdarzeń naprawczych, są wychwytywane przez moduł kompensacji rezydualnej oparty na uczeniu maszynowym. Równania (10) i (11) są oryginalnym wkładem niniejszej pracy i syntetyzują fizyczną linię bazową z rezydualną detekcją opartą na ML w ujednolicony system prognozowania.

Rysunek 2 pokazuje, że wyniki prognozowania proponowanego modelu wykazują wyraźną hierarchiczną logikę generowania. Z jednej strony kwota bazowa zapewnia stabilną, przejrzystą i możliwą do zweryfikowania podstawę fizyczną dla zapotrzebowania na koszty; z drugiej strony korekty cen, efekty technologiczne i pozostałości wstrząsów zewnętrznych umożliwiają modelowi adaptację do dynamicznych zmian w złożonych środowiskach. W porównaniu z modelami typu „czarna skrzynka”, które bezpośrednio generują wartości przewidywane, taka struktura dekompozycji pozwala wyraźnie wskazać, „dlaczego koszty rosną lub spadają”, co zwiększa interpretowalność wyników modelu podczas przeglądu budżetu oraz regulacji taryf przesyłowych i dystrybucyjnych.

Źródła danych i procedury ich gromadzenia

Modele teoretyczne muszą zostać rygorystycznie zwalidowane za pomocą danych empirycznych, aby wykazać ich praktyczną użyteczność. Ponieważ podstawowe dane finansowe sektora energetycznego zawierają wrażliwe informacje związane z funkcjonowaniem infrastruktury krajowej, w niniejszym badaniu wyodrębniono wysokoprecyzyjne, zanonimizowane miesięczne dane księgowe z typowej prowincjonalnej sieci elektroenergetycznej wschodnich Chin, nazwanej dla przejrzystości E-Grid, obejmujące 16 kolejnych lat kalendarzowych od 2010 do 2025 roku. Prowincja ta przeszła przez typowy cykl ekonomiczny, przechodząc od wzrostu napędzanego przez tradycyjny przemysł ciężki do zaawansowanej produkcji, przy czym skumulowany roczny wskaźnik wzrostu skali aktywów sieci osiągnął 7,4%. Złożona ewolucja jej struktury kosztów ma zatem potencjalne znaczenie dla innych szybko rozwijających się systemów sieciowych. Dane pochodzą z trzech głównych źródeł: (1) wewnętrznych dzienników eksploatacji i konserwacji rejestrujących obciążenia robocze na poziomie aktywów, częstotliwość inspekcji i zdarzenia naprawcze; (2) systemów księgowości finansowej dostarczających miesięczne zestawienia kosztów pracy, materiałów, sprzętu oraz usług zewnętrznych; oraz (3) zewnętrznych baz danych środowiskowych, w tym zapisów meteorologicznych z China Meteorological Administration oraz wskaźników makroekonomicznych z National Bureau of Statistics.

Kontrola jakości i postępowanie z brakującymi danymi

W odniesieniu do ponad 130 początkowych wskaźników zintegrowanych z systemów wieloźródłowych wdrożono rygorystyczną procedurę kontroli jakości. Brakujące punkty danych, stanowiące mniej niż 3% całkowitej liczby obserwacji, uzupełniono za pomocą interpolacji liniowej dla zmiennych ciągłych z trendami czasowymi oraz imputacji mody dla wskaźników kategorycznych. Wartości odstające zidentyfikowano metodą rozstępu międzykwartylowego (IQR), a wartości przekraczające 3,0-krotność IQR powyżej trzeciego kwartyla poddano winsoryzacji do 99. percentyla, aby zachować integralność danych i zminimalizować zniekształcenia spowodowane wartościami ekstremalnymi.

Rozważania dotyczące wielkości próby

Zbiór danych obejmuje 192 obserwacje miesięczne (styczeń 2010–grudzień 2025), z czego 156 obserwacji (2010–2022) przeznaczono do uczenia i walidacji, a 36 obserwacji (2023–2025) zarezerwowano do testowania poza próbką. Choć wielkość tej próby jest stosunkowo niewielka jak na zastosowania głębokiego uczenia, jest ona odpowiednia dla algorytmu XGBoost, który dzięki mechanizmom regularyzacji i przycinania drzew został zaprojektowany tak, aby efektywnie działać na małych i średnich tabularnych zbiorach danych. Aby zminimalizować ryzyko potencjalnego przeuczenia, zastosowano następujące środki: (1) rygorystyczne kary za regularyzację (γ = 0.1, λ = 1.0), (2) wczesne zatrzymanie z parametrem patience wynoszącym 50 rund oraz (3) konserwatywne ograniczenia głębokości drzew (max depth = 5). Środki te wspólnie zapewniają stabilność i zdolność modelu do generalizacji pomimo ograniczonej wielkości próby.

Segmentacja danych i heterogeniczna integracja wieloźródłowa

W celu rygorystycznego testowania dane z okresu od stycznia 2010 do grudnia 2022 roku przypisano do przedziału treningowo-walidacyjnego, zawierającego 156 obserwacji, który służy do trenowania czynników ewolucji kwot oraz sieci rezydualnej kompensacji kwot. Okres od stycznia 2023 do grudnia 2025 roku zarezerwowano jako wydzielony, poza-próbkowy zbiór testowy, zawierający 36 obserwacji. Dlaczego ten okres został wybrany jako końcowe pole testowe? Powodem jest fakt, że te trzy lata zbiegły się z przyspieszeniem budowy nowoczesnych systemów energetycznych, co zostało potęgowane przez wielkoskalowe ekstremalne zjawiska wysokich temperatur związane z El Niño oraz szybki i nierównomierny wzrost rozproszonej generacji energii odnawialnej. Sieć elektroenergetyczna stanęła przed bezprecedensową presją w łańcuchach dostaw materiałów i alokacji siły roboczej do napraw.

Naukowe zestawienie i ilościowe zdefiniowanie czynników generujących koszty stanowią podstawę zapewnienia, że rezydualna sieć uczenia maszynowego może skutecznie wychwytywać systematyczne fluktuacje. Opierając się na logice zarządzania standardowymi kosztami operacyjnymi w systemach energetycznych, niniejsze badanie przełamuje jednowymiarowość tradycyjnego prognozowania finansowego, które opiera się wyłącznie na historycznych przepływach pieniężnych, i zamiast tego rekonstruuje inżynierię cech w oparciu o cztery kluczowe granice: skalę aktywów fizycznych, warunki eksploatacji i konserwacji, ewolucję makroekonomiczną oraz zewnętrzne środowisko klimatyczne, wykorzystując oryginalne dzienniki operacyjne i zewnętrzne księgi systemowe. W rzeczywistym procesie modelowania, dla ponad 130 pierwotnych wskaźników wynikających z integracji systemów wieloźródłowych, w badaniu zastosowano testy korelacji Pearsona w celu wyeliminowania wysoce kolinearnych zmiennych redundantnych, przyjmując próg |r| > 0,85. W oparciu o wiedzę ekspercką doświadczonych specjalistów ds. sieci elektroenergetycznych, ostatecznie wybrano 42 kluczowe cechy wejściowe do utworzenia macierzy cech Xt. Aby przejrzyście przedstawić strukturę danych i rozkład tensora wejściowego, w Tabeli 2 wybrano 12 reprezentatywnych cech kluczowych z czterech powyższych wymiarów oceny i podsumowano ich statystyki opisowe z okresu obserwacji.

Aby dalej zilustrować przestrzenno-topologiczną podstawę wieloźródłowego systemu cech, Rysunek 3 przedstawia zanonimizowany schemat topologii badanej prowincjonalnej sieci elektroenergetycznej. Na rysunku naniesiono stacje transformatorowe o różnych poziomach napięcia, korytarze transmisyjne, rozproszone klastry odnawialnych źródeł energii, centra obciążeń oraz reprezentatywne strefy zakłóceń środowiskowych. Topologia ta pomaga wyjaśnić, dlaczego koszty produkcji i eksploatacji są wspólnie determinowane przez skalę aktywów, strukturę sieci, intensywność napraw awaryjnych oraz zewnętrzne wstrząsy klimatyczne. Stanowi ona również podstawę interpretacji przestrzennej dla zmiennych sterujących resztami wykorzystywanych w module kompensacyjnym XGBoost.

Tabela 2 pokazuje, że zmienne objaśniające w różnych wymiarach biznesowych wykazują wyraźnie odmienne formy statystyczne. Zmienne dotyczące aktywów fizycznych, reprezentujące endogenną dynamikę rozwoju przedsiębiorstwa, takie jak moc podstacji i długość linii, mają stosunkowo stabilne odchylenia standardowe oraz wartości skośności skoncentrowane między 0,1 a 0,8. Ich ogólna struktura danych jest w przybliżeniu rozkładem normalnym, co obiektywnie odzwierciedla cechę stabilnego rozwoju sieci elektroenergetycznej w cyklu budowy infrastruktury. Jaskrawym kontrastem są zmienne meteorologiczne i zmienne zakłóceń środowiska zewnętrznego znajdujące się na dole tabeli. Na przykład skumulowana liczba dni z wysoką temperaturą na poziomie ostrzegawczym w ciągu ostatnich 90 dni oraz indeks wpływu wyłączeń linii wykazują niezwykle silną prawostronną skośność, z wartościami skośności odpowiednio 2,15 i 2,45. Ten typowy rozkład ciężkoogonowy potwierdza obiektywny punkt krytyczny, którego nie można ignorować w rzeczywistej eksploatacji i konserwacji sieci elektroenergetycznej: choć ekstremalne klęski pogodowe występują stosunkowo rzadko w skali roku, to po ich wystąpieniu często powodują wykładniczy wzrost nakładów pracy naprawczej i zużycia części zamiennych. Z innej perspektywy, wysoka niejednorodność i skośność wartości ekstremalnych w rozkładzie tych cech wieloźródłowych ujawniają teoretyczne ograniczenia tradycyjnych liniowych modeli szeregów czasowych, takich jak ARIMAX, które opierają się na założeniach normalności i homoskedastyczności podczas śledzenia złożonych kosztów sieci elektroenergetycznej. Nie tylko dodatkowo uzasadnia to racjonalność wprowadzenia modułu uczenia maszynowego poza bazową linią księgowości fizycznej, ale także zapewnia solidne wsparcie statystyczne dla wyboru modelu drzew XGBoost w niniejszej pracy, który potrafi efektywnie obsługiwać rzadkie rozkłady cech i nieliniowe odwzorowania w celu przybliżenia reszt kosztów.

Konfiguracja systemu optymalizacji hiperparametrów i ewaluacji

Po określeniu przestrzeni wejściowej cech, ustawienie hiperparametrów modelu bezpośrednio wpływa na wydajność dopasowania sieci przybliżającej reszty. Ponieważ sieć kompensacyjna XGBoost obejmuje wiele parametrów, w tym głębokość drzewa (max depth), tempo uczenia oraz wyrazy kary regularyzacyjnej, a parametry te wchodzą w nieliniowe interakcje, konwencjonalne przeszukiwanie siatki (grid search) charakteryzuje się nie tylko wysoką złożonością obliczeniową, ale także tendencją do utykania w minimach lokalnych w przestrzeniach wielowymiarowych. Dlatego w procesie strojenia parametrów w niniejszym badaniu zastosowano Tree-structured Parzen Estimator (TPE), metodę optymalizacji bayesowskiej. Algorytm TPE potrafi dynamicznie kierować kolejnymi kierunkami próbkowania, wykorzystując sprzężenie zwrotne z funkcji straty z poprzednich ewaluacji. Poprzez konstruowanie a posteriori szacunku gęstości jądra (KDE) zmiennej celu, adaptacyjnie zawęża on przestrzeń poszukiwania parametrów, umożliwiając modelowi przybliżenie globalnej optymalnej konfiguracji hiperparametrów bez ponoszenia wysokich kosztów obliczeniowych. Celem optymalizacji TPE była minimalizacja RMSE na zbiorze walidacyjnym w ciągu 100 iteracji, z zastosowaniem wczesnego zatrzymania po 50 rundach bez poprawy wyniku.

Po zakończeniu optymalizacji parametrów na wewnętrznym zbiorze walidacyjnym, w celu obiektywnej oceny końcowej wydajności każdego modelu na zewnętrznym zbiorze testowym oraz w celu spełnienia ilościowych wymogów oceny organów regulacyjnych w zakresie weryfikacji kosztów, w niniejszym badaniu wykorzystano średni bezwzględny błąd procentowy (MAPE) do ilościowego określenia względnego odchylenia w przewidzianej sekwencji. Jednocześnie, aby odpowiedzieć na praktyczną potrzebę kontrolowania ekstremalnych błędów w przewidywaniu kosztów w procesach operacyjnych, wprowadzono pierwiastkowy błąd średni kwadratu (RMSE), aby nałożyć surowsze kary za większe błędy. Na koniec, współczynnik determinacji, R2, określa całkowitą moc wyjaśniającą regresji w stosunku do rzeczywistej wariancji celu.

Definicje matematyczne wskaźników są następujące:

Wzór na średni bezwzględny błąd procentowy (MAPE); analiza statystyczna; obliczanie pomiaru błędu.   (12)

Równanie błędu średniokwadratowego (RMSE); statystyczny pomiar błędu; ilustracja wzoru.    (13)

Wzór R² dla statystycznej analizy regresji; schemat równania do oceny dokładności dopasowania danych.   (14)

gdzie Równanie dynamicznego naprężenia przepływu, symbol C_actual,t w wyrażeniu matematycznym, mechanika materiałów. oznacza rzeczywisty koszt produkcji i eksploatacji w okresie t, Równanie całkowitego stężenia z dachem, \( \hat{C}_{total,t} \), w kontekście analizy naukowej. oznacza koszt przewidziany przez model, Równanie w notacji wektorowej, C_actual, ze strzałką nad C, istotne dla pojęć fizycznych. oznacza średni rzeczywisty koszt w próbie testowej, a N to liczba próbek w zbiorze testowym.

Wyniki

Panoramic porównanie dokładności prognozowania z redukcją wymiarowości

Kiedy wszystkie modele zoptymalizowane za pomocą Tree-structured Parzen Estimator (TPE) zostały ocenione na zbiorze testowym spoza próby z lat 2023–2025, obejmującym wahania związane z odbudową popandemiczną oraz ekstremalne zjawiska wysokich temperatur, możliwe stało się obiektywne porównanie wydajności głównych algorytmów prognozowania. Aby zapewnić rygorystyczną i kompleksową ocenę, uwzględniono cztery modele referencyjne reprezentujące różne podejścia metodologiczne: tradycyjne wygładzanie wykładnicze, reprezentujące konwencjonalne prognozowanie finansowe; SARIMAX, reprezentujący liniowe modelowanie sezonowych szeregów czasowych; samodzielną regresję XGBoost, reprezentującą podejście czysto oparte na danych bez ograniczeń kwotowych; oraz Attention-LSTM, sieć long short-term memory wzmocnioną mechanizmem uwagi, szeroko stosowaną do prognozowania długich sekwencji.

Jak pokazano w Tabeli 3, proponowany model Quota-ML przewyższył wszystkie modele referencyjne w prognozowaniu kosztów produkcji i eksploatacji w okresie poza próbą w latach 2023–2025. Model osiągnął wartość MAPE na poziomie 2,34%, redukując błąd prognozy o 61,8% w porównaniu z SARIMAX (6,12%) i o 34,1% w stosunku do modelu Attention-LSTM (3,55%). Jego wartości RMSE (15,69 mln CNY) oraz MaxAE (23,05 mln CNY) stanowiły mniej niż połowę wartości dla kolejnej najlepszej sieci neuronowej, natomiast wartość R2 wynosząca 0,957 wskazała, że model wyjaśnił ponad 95% wariancji obserwowanych kosztów. Wyniki te dowodzą, że integracja inżynieryjnych kwot kosztowych, dynamicznej ewolucji kwot oraz kompensacji reszt opartej na XGBoost znacząco poprawia zarówno dokładność, jak i odporność prognoz w porównaniu z tradycyjnymi metodami szeregów czasowych oraz modelami opartymi wyłącznie na danych.

Jak zilustrowano na Rysunku 4, rzeczywiste koszty produkcji i eksploatacji wykazały wyraźne wahania sezonowe oraz kilka wyraźnych okresów szczytowych w przedziale testowym. W szczególności koszty gwałtownie wzrosły podczas ekstremalnych zdarzeń wysokotemperaturowych w lipcu i sierpniu 2024 roku. Chociaż model Attention-LSTM uchwycił ogólny trend sezonowy, jego przewidywania były stosunkowo wygładzone i zaniżały nagłe wzrosty kosztów związane z naprawami awaryjnymi, dużym obciążeniem sprzętu oraz zwiększonym zużyciem zapasów awaryjnych. Samodzielny model XGBoost reagował skuteczniej na lokalne wahania, ale w ciągu kilku miesięcy odbiegał od obserwowanej trajektorii z powodu braku ograniczeń kwot inżynieryjnych. W przeciwieństwie do nich, proponowany model Quota-ML ściśle śledził obserwowaną trajektorię kosztów przez cały okres testowy i dokładnie odwzorował zarówno wzrost kosztów latem 2024 roku, jak i wtórny szczyt letni w 2025 roku.

Wyższa wydajność modelu Quota-ML wykazuje korzyści z połączenia inżynieryjnych kwot kosztowych z korekcją reszt opartą na uczeniu maszynowym. Dynamiczna baza kwotowa zapewnia fizycznie interpretowalny fundament, który odzwierciedla ewolucję zasobów sieci elektroenergetycznej i obciążeń operacyjnych, zapobiegając nieograniczonemu uczeniu na podstawie ograniczonych finansowych szeregów czasowych. Sieć kompensacji reszt koncentruje się następnie na nieliniowych zakłóceniach, które są trudne do przedstawienia za pomocą samych inżynieryjnych reguł kwotowych, w tym na zdarzeniach meteorologicznych, gwałtownych wzrostach zleceń konserwacyjnych oraz zmianach związanych z polityką. W konsekwencji proponowany model osiągnął najniższe wartości MAPE i RMSE spośród wszystkich ocenianych metod (Tabela 3) i zapewnił najdokładniejsze śledzenie sezonowych szczytów kosztów oraz zdarzeń ekstremalnych (Rysunek 4), co demonstruje jego przydatność do długoterminowego prognozowania kosztów produkcji i eksploatacji.

Walidacja ablacyjna kluczowych komponentów architektury

W złożonej strukturze hybrydowej składającej się z zagnieżdżonych podmodułów, głównym problemem z punktu widzenia recenzji akademickiej jest zazwyczaj kwestia tego, czy model nie cierpi na „nadmierną inżynierię” (over-engineering). Przeprowadzenie wewnętrznych eksperymentów ablacyjnych poprzez usuwanie kluczowych komponentów jest niezbędne do zbadania rzeczywistych zależności i poziomu wkładu każdego modułu. W niniejszym badaniu określono dwie ścieżki degradacji architektury. Po pierwsze, Struktura A, która usuwa mechanizm ewolucji dynamicznej: bazowy limit jest wymuszenie ograniczony do przeszłych statycznych standardów fizycznych, co eliminuje wpływ kumulacji makroinflacji oraz czynników deflacyjnych wynikających z postępu technologicznego w ostatnich latach, a do sieci rezydualnej podłączona jest jedynie historyczna baza statyczna Statyczne równania równowagi, C_base,t; formuła matematyczna stabilności; schemat edukacyjny.. Po drugie, Struktura B, która usuwa nieliniowy moduł śledzenia rezydualnego: model całkowicie degeneruje się do podejścia aktuarialnego, odcinając pętlę przechwytywania losowych wahań sterowaną przez AI i przyjmując bezpośrednio czystą obliczoną wartość limitu dynamicznego Równanie chromatograficzne, C_quota,t, analiza dopasowania widmowego, schemat badawczy., po korekcie o środowisko makroekonomiczne, jako wynik końcowy. Współczynnik straty wariancji wyjaśnionej oblicza się na podstawie względnego spadku R2 pomiędzy modelem pełnym a modelem zdegradowanym, definiując go jako:

Wzór na stratę wariancji wyjaśnionej; analiza statystyczna; metoda obliczania R²; interpretacja danych.   (15)

Tabela 4’s analiza ablacyjna wykazuje, że oba komponenty proponowanego modelu znacząco wpływają na dokładność prognozowania, jednak kluczową rolę odgrywa kompensacja reszt oparta na uczeniu maszynowym. Usunięcie mechanizmu dynamicznej ewolucji cen i technologii (Wariant A) zwiększa MAPE do 4,15% (spadek dokładności o 1,81 punktu procentowego) i obniża R2 do 0,837, co wyjaśnia o 12,5% mniejszą wariancję niż w modelu pełnym. W przeciwieństwie do tego, wyeliminowanie kompensacji residuów ML (Wariant B) powoduje znacznie gwałtowniejszy spadek: MAPE wzrasta do 5,62% (+3,28 p.p.), a R2 spada do 0,686, a współczynnik utraty wariancji objaśnionej osiąga 28,3%. Wyniki te wykazują, że choć dynamiczna aktualizacja kwot poprawia dokładność bazową, korekta rezydualna oparta na XGBoost jest niezbędna do uchwycenia nieliniowych czynników kosztowych, co wspólnie tworzy synergiczną architekturę hybrydową.

Aby ułatwić porównanie wydajności modelu w ramach eksperymentów ablacyjnych, sporządzono znormalizowany wykres radarowy w celu wizualizacji pięciu metryk ewaluacyjnych: MAPE, RMSE, R2, MaxAE oraz odporności (robustness). Metryki oparte na błędach (MAPE, RMSE i MaxAE) zostały poddane normalizacji odwrotnej, tak aby mniejsze błędy odpowiadały wyższym wynikom, natomiast metryki dodatnie (R2 i odporność) zostały znormalizowane w taki sposób, aby wyższe wartości odpowiadały wyższym wynikom. Po normalizacji wszystkie wskaźniki reprezentują porównywalne wyniki wydajności, przy czym wartości bliższe zewnętrznej granicy oznaczają lepszą ogólną wydajność.

Jak pokazano na Rysunku 5, kompletny model Quota-ML uzyskał konsekwentnie wysokie wyniki we wszystkich pięciu wymiarach wydajności, tworząc największy i najbardziej zrównoważony profil radarowy. Wynik ten wskazuje, że proponowany model zapewnia efektywną równowagę między kontrolą błędu względnego, ogólną dokładnością prognozowania, mocą wyjaśniającą, tłumieniem błędów ekstremalnych a odpornością w zmiennych warunkach operacyjnych.

W przeciwieństwie do tego, wariant A, w którym wykluczono mechanizm dynamicznej ewolucji kwoty przy zachowaniu kompensacji resztowej opartej na uczeniu maszynowym, wykazał zauważalny spadek ogólnej wydajności. Wynik ten sugeruje, że sama statyczna baza kwotowa nie jest w stanie w sposób adekwatny uwzględnić zmian strukturalnych spowodowanych wahaniami cen surowców oraz postępem technologicznym. Jeszcze większy spadek wydajności zaobserwowano w przypadku wariantu B, w którym usunięto moduł kompensacji resztowej, a prognozowanie oparto wyłącznie na dynamicznej bazie kwotowej. W tym przypadku wydajność uległa znacznemu pogorszeniu, szczególnie w odniesieniu do wskaźników błędów i odporności.

Jak podsumowano w Tabeli 4, MAPE dla Wariantu B wzrosło z 2,34% dla modelu pełnego do 5,62%, co stanowi wzrost o 3,28 punktu procentowego, podczas gdy wartość R2 spadła o 28,3%. Wyniki te wskazują, że choć dynamiczny model kwot uwzględnia makroekonomiczną inflację oraz korekty wydajności wynikające z postępu technologicznego, nie jest on w stanie w pełni uchwycić gwałtownych zmian kosztów związanych z ekstremalnymi zjawiskami pogodowymi, konserwacją awaryjną, zmianami w przepisach oraz nietypowymi warunkami eksploatacyjnymi.

Ogólnie analiza ablacyjna wykazuje, że oba główne komponenty proponowanego modelu są niezbędne. Mechanizm dynamicznej ewolucji kwot dostosowuje bazę inżynieryjną do zmian w warunkach makroekonomicznych i postępu technologicznego, podczas gdy moduł kompensacji reszt oparty na uczeniu maszynowym wychwytuje nieliniowe odchylenia, których nie można wyrazić w sposób jawny za pomocą inżynieryjnych reguł kwotowych. Razem te komplementarne elementy tworzą zintegrowany model prognozowania, który łączy fizycznie interpretowalną bazę kwot z opartym na danych uczeniem resztowym, aby zapewnić dokładne i odporne prognozowanie kosztów długoterminowych.

Walidacja interpretowalności modelu kompensacji resztkowej

Chociaż porównanie dokładności prognozowania oraz eksperymenty ablacyjne wykazały znaczenie modułu kompensacji residuów opartego na uczeniu maszynowym, same metryki błędów nie pozwalają określić, czy uchwycone nieliniowe zależności mają znaczącą interpretację fizyczną lub operacyjną. W związku z tym do interpretacji modelu residuów XGBoost zastosowano metodę SHAP (Shapley Additive exPlanations)40. SHAP jest powszechnie wykorzystywana do wyjaśniania modeli uczenia maszynowego w prognozowaniu mocy i energii oraz w powiązanych złożonych systemach41,42. Poprzez ilościowe określenie wkładu każdej cechy wejściowej w predykcje modelu, SHAP umożliwia ocenę, czy wyuczone wzorce residuów są zgodne z wiedzą inżynierską.

Jak pokazano na Rysunku 6, zmienne zakłóceń zewnętrznych — w tym skumulowana liczba dni z wysoką temperaturą na poziomie ostrzegawczym w ciągu poprzednich 90 dni, wskaźnik awarii linii związanych z silną konwekcją i tajfunami, czas trwania opadów marznącego deszczu i śniegu oraz liczba nieplanowanych zdarzeń naprawczych — wykazały silne dodatnie wartości SHAP. Próbki o wysokich wartościach tych zmiennych były skoncentrowane w dodatnim obszarze SHAP, co wskazuje, że ekstremalne zjawiska pogodowe i działania związane z konserwacją awaryjną konsekwentnie zwiększały rzeczywiste koszty powyżej dynamicznej linii bazowej kwoty. Wyniki te dowodzą, że moduł kompensacji resztowej rejestruje istotne zakłócenia środowiskowe i operacyjne, a nie jedynie dopasowuje się do losowego szumu.

Kilka dodatkowych zmiennych, w tym czas trwania eksploatacji przy dużym obciążeniu, indeks cen metali PPI, udział inwestycji cyfrowych, zainstalowana moc rozproszonej fotowoltaiki oraz długość linii przesyłowych, również wykazalo istotny wpływ na predykcje resztowe. Wyniki te wskazują, że odchylenia od wartości bazowej kwoty są wspólnie determinowane przez krótkotrwałe zjawiska pogodowe, rozbudowę aktywów, transmisję cen surowców, transformację systemu energetycznego oraz cyfryzację. Warto zauważyć, że udział inwestycji cyfrowych w niektórych obserwacjach przyczyniał się pozytywnie do kosztów resztowych, co sugeruje, że wczesny etap transformacji cyfrowej może tymczasowo zwiększyć wydatki ze względu na integrację systemów, konserwację platform oraz równoległe funkcjonowanie systemów zastanych i nowo wdrożonych. Ogólnie rzecz biorąc, analiza SHAP potwierdza interpretowalność biznesową modułu rekompensaty resztowej i dostarcza empirycznego wsparcia dla zrozumienia wpływu ekstremalnych zjawisk pogodowych oraz transformacji cyfrowej na koszty produkcji i eksploatacji.

Testowanie istotności statystycznej ulepszeń prognoz

Aby ustalić, czy poprawy w prognozowaniu osiągnięte dzięki proponowanemu frameworkowi były istotne statystycznie, przeprowadzono formalne testy porównawcze prognoz. Zgodnie z uznaną praktyką w prognozowaniu energii i ekonometrii, do porównania dokładności predykcyjnej proponowanego modelu z każdym z modeli referencyjnych wykorzystano test Diebolda–Mariano (DM). Test DM jest odpowiedni do prognozowania szeregów czasowych, ponieważ uwzględnia autokorelację błędów prognozy bez konieczności zakładania normalnego rozkładu reszt.

Dla każdego porównania hipoteza zerowa zakładała, że proponowane i referencyjne modele charakteryzowały się taką samą dokładnością predykcyjną, natomiast hipoteza alternatywna zakładała, że proponowany model generował mniejsze błędy prognoz. Jednostronne testy DM przeprowadzono, przyjmując kwadrat błędu prognozy jako funkcję straty. Aby uwzględnić heteroskedastyczność i autokorelację w szeregach różnic strat, zastosowano błędy standardowe Newey’a-Westa z automatycznym doborem opóźnienia. Dodatkowo przeprowadzono test znaków rang Wilcoxona jako nieparametryczną alternatywę, która nie opiera się na założeniach dotyczących rozkładu. Wspólnie te uzupełniające się testy zapewniają solidną ocenę istotności statystycznej zaobserwowanych usprawnień w prognozowaniu.

Jak podsumowano w Tabeli 5, proponowany model prognozowania przyniósł statystycznie istotną poprawę w stosunku do wszystkich modeli referencyjnych. Dodatnie statystyki DM wskazują na konsekwentnie niższe błędy prognoz niż w przypadku konkurencyjnych podejść. Największą poprawę odnotowano w odniesieniu do modelu ARIMA (DM = 3.842, p < 0.001), co dowodzi zalety uwzględnienia kwot kosztów inżynieryjnych w strukturze prognozowania. W porównaniu z modelem ARIMAX, który obejmuje zmienne egzogeniczne, proponowany model również wykazał istotną poprawę (DM = 3.215, p < 0.001), co podkreśla dodatkową wartość łączenia dynamicznej bazy kwotowej z kompensacją rezyduów opartą na uczeniu maszynowym.

Zaproponowany model znacząco przewyższył również benchmarki głębokiego uczenia. Poprawy w prognozach były istotne w stosunku do modelu LSTM (DM = 2.876, p = 0.002) oraz modelu Transformer (DM = 2.543, p = 0.011). Chociaż poprawa względem samodzielnego modelu XGBoost była mniejsza (DM = 2.187, p = 0.029), pozostała ona istotna statystycznie. Ponieważ oba modele wykorzystują uczenie oparte na drzewach, wynik ten dowodzi, że zintegrowanie dynamicznej linii bazowej kwot zapewnia dodatkową wartość predykcyjną wykraczającą poza podejście czysto oparte na danych. Test znaków rang Wilcoxona wykazał poziomy istotności zgodne z wynikami testu DM, co stanowi dalszy dowód na to, że poprawy w prognozowaniu osiągnięte dzięki zaproponowanemu frameworkowi są statystycznie odporne.

DOSTĘPNOŚĆ DANYCH:

Zbiory danych wykorzystane w niniejszym badaniu zostały przesłane do publicznego repozytorium (DOI: https://doi.org/10.5281/zenodo.21645584).

Schemat procesu zarządzania zasobami sieci; zasoby, kwoty prac, konta kosztów i prognoza zapotrzebowania.
Rycina 1: Relacja mapowania między zasobami sieci elektroenergetycznej, standardowymi kwotami operacyjnymi a kontami kosztów. Na rycinie przedstawiono, że kwoty kosztów nie są jedynie abstrakcyjnymi zasadami alokacji finansowej, lecz ustandaryzowanymi jednostkami księgowymi włączonymi w cały proces eksploatacji i konserwacji zasobów sieci elektroenergetycznej. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.

Diagram stabilności sieci energetycznej z ryzykiem wysokich temperatur, tajfunów i mroźnego deszczu; zaznaczone krytyczne punkty awaryjne.
Rycina 3: Zanonimizowana topologia schematyczna badanej prowincjonalnej sieci energetycznej oraz warstw zakłóceń generujących koszty. Na rysunku przedstawiono zanonimizowaną topologię schematyczną badanej prowincjonalnej sieci energetycznej. Rycina zawiera naniesione podstacje o różnych poziomach napięcia, korytarze przesyłowe, rozproszone klastry odnawialnych źródeł energii, centra obciążeń oraz reprezentatywne strefy zakłóceń środowiskowych. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres porównawczy kosztów operacyjnych, 2023–2025. Modele: Attention-LSTM, XGBoost, analiza Quota-ML.
Rycina 4: Trajektorie predykcji głównych modeli oraz rzeczywiste koszty w okresie testowym poza próbą 2023–2025. Rycina ta pokazuje, że rzeczywiste koszty produkcji i eksploatacji w okresie testowym wykazują wyraźne wahania sezonowe i nagłe wzrosty. Podczas ekstremalnego szoku wysokotemperaturowego w lipcu i sierpniu 2024 r. rzeczywiste koszty znacząco wzrosły. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Wykres radarowy porównujący MAPE, RMSE, R², MaxAE i odporność trzech wariantów modelu ML.
Rysunek 5: Znormalizowane porównanie wydajności prognozowania w wariantach ablacyjnych. Wykresy radarowe porównują znormalizowaną wydajność pełnego modelu Quota-ML oraz dwóch wariantów ablacyjnych przy użyciu pięciu metryk oceny: wyniku MAPE, wyniku RMSE, wyniku R2, wyniku MaxAE oraz wyniku odporności. Metryki oparte na błędach (MAPE, RMSE i MaxAE) zostały poddane normalizacji odwrotnej, tak aby wyższe wyniki wskazywały na mniejsze błędy prognozowania, natomiast R2 i odporność zostały znormalizowane tak, aby wyższe wyniki oznaczały lepszą wydajność modelu. Szerszy profil radarowy pełnego modelu Quota-ML wykazuje lepszą ogólną wydajność prognozowania w porównaniu z obydwoma wariantami ablacyjnymi. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Wykres wartości SHAP analizy wpływu cech na stabilność sieci elektroenergetycznej; wizualizacja i analiza danych.
Rycina 6: Wykres podsumowujący SHAP pokazujący wkład cech w predykcję kosztów rezydualnych. Wykres podsumowujący SHAP (Shapley Additive exPlanations) ilustrujący wkład najbardziej wpływowych zmiennych do modelu kompensacji rezydualnej XGBoost. Każdy punkt reprezentuje jedną obserwację, gdzie kolor wskazuje wartość cechy (niebieski = niska; czerwony = wysoka), a pozycja pozioma reprezentuje wartość SHAP. Wyższe wartości cech dla zmiennych takich jak dni ekstremalnych upałów, indeks awarii związanych z tajfunem, czas trwania burzy lodowej oraz nieplanowane zdarzenia naprawcze są zazwyczaj powiązane z bardziej dodatnimi wartościami SHAP, co wskazuje na zwiększone koszty produkcji i eksploatacji rezydualnej. Wykres pokazuje, że zarówno zakłócenia środowiskowe, jak i czynniki operacyjne w znacznym stopniu przyczyniają się do odchyleń od dynamicznej bazy kwotowej. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Tabela 1: Opis podstawowych zmiennych i parametrów modelu. W tabeli przedstawiono kluczowe zmienne w proponowanym modelu prognozowania kosztów Quota-ML, z rozróżnieniem na koszty rzeczywiste i przewidywane; statyczne i dynamiczne poziomy bazowe kwot; parametry obciążenia i kwot; czynniki korekty makroekonomicznej (PPI i postęp technologiczny) oraz komponenty rezydualne. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Klasyfikacja i statystyki opisowe kluczowych cech wejściowych modelu prognozującego. 
Tabela ta pokazuje, że zmienne objaśniające w różnych wymiarach biznesowych wykazują odmienne formy statystyczne. Tabela ta podsumowuje statystyki opisowe reprezentatywnych zmiennych dotyczących aktywów fizycznych, operacyjnych, makroekonomicznych i środowiskowych wykorzystanych jako dane wejściowe modelu. Kliknij tutaj, aby pobrać tę tabelę.

ModeleMAPE %RMSE (CNY, miliony)R² Jakość dopasowaniaMaxAE (CNY, miliony)
Tradycyjne wygładzanie wykładnicze8,7554,220,651125,04
Model szeregów czasowych SARIMAX6,1238,540,76884,21
Czysta regresja XGBoost4,3829,160,85251,06
Sieć neuronowa Attention-LSTM3,5524,020,89440,53
Proponowany model Quota-ML2,3415,690,95723,05

Tabela 3: Ogólne porównanie wydajności różnych modeli na zbiorze testowym poza próbą z lat 2023–2025. Tabela ta wykazuje, że zaproponowany model Quota-ML znacząco przewyższa wszystkie modele referencyjne w prognozowaniu kosztów produkcji i eksploatacji sieci energetycznej w okresie poza próbą z lat 2023–2025.

Wariant eksperymentalnyUsunięty główny komponentWydajność degradacji MAPER²Wskaźnik straty wyjaśnionej wariancji
Wariant ABrak dynamicznej ewolucji cen / technologii4,15% (+1,81 p.p.)0.83712.50%
Wariant BBrak kompensacji resztkowej ML5,62% (+3,28 p.p.)0.68628.30%
Pełny modelPełny proponowany model Quota-ML2.34%0.957Poziom bazowy

Tabela 4: Wyniki eksperymentów ablacyjnych zintegrowanego modelu łączącego kwoty i uczenie maszynowe. Tabela ta wykazuje, że oba komponenty proponowanego modelu znacząco wpływają na dokładność prognozowania, przy czym kompensacja residuów za pomocą uczenia maszynowego odgrywa bardziej krytyczną rolę.

PorównanieTest Diebolda-MarianoTest znaków rang Wilcoxona
Proponowany model vs. ARIMADM = 3.842*** (p < 0.001)W = 486.0*** (p < 0.001)
Proponowany model vs. ARIMAXDM = 3.215*** (p < 0.001)W = 452.0*** (p < 0.001)
Proponowany model vs. LSTMDM = 2.876** (p = 0.002)W = 398.0** (p = 0.003)
Proponowany model vs. TransformerDM = 2.543* (p = 0.011)W = 364.0* (p = 0.014)
Proponowany model vs. XGBoost (czyste ML)DM = 2.187* (p = 0.029)W = 328.0* (p = 0.031)

Tabela 5: Wyniki testów istotności statystycznej dla porównań prognoz. Statystyka testu Diebolda-Mariano w ramach hipotezy zerowej podlega standardowemu rozkładowi normalnemu. Dodatnie wartości DM wskazują na wyższą dokładność prognoz proponowanego modelu. Wszystkie testy są jednostronne, z hipotezą alternatywną zakładającą, że proponowany model charakteryzuje się niższym błędem prognozy niż model referencyjny. Statystykę W testu znaków Wilcoxona podano wraz z odpowiadającymi jej wartościami p. Funkcja straty = kwadrat błędu prognozy.

Dyskusja

Niniejsze badanie wykazuje, że integracja przemysłowych kwot kosztowych z uczeniem maszynowym zapewnia interpretowalne i dokładne ramy dla długoterminowego prognozowania kosztów sieci elektroenergetycznych. Wyniki wskazują, że zmienne związane z klimatem, w szczególności dni z ekstremalnie wysokimi temperaturami oraz wskaźniki wpływu wyłączeń linii, są dominującymi czynnikami wpływającymi na reszty kosztowe, co podkreśla rosnący wpływ zakłóceń zewnętrznych na wydatki przedsiębiorstw użyteczności publicznej. Wnioski te sugerują, że koszty związane z pogodą nie powinny być już traktowane jako przypadkowe wydatki operacyjne, lecz powinny zostać włączone do dedykowanych rezerw celowych, przy czym aktywacja rezerw powinna być powiązana z prognozowanymi ryzykami klimatycznymi. Identyfikacja wpływu wyłączeń linii jako głównych czynników kosztowych dodatkowo podkreśla wartość strategii konserwacji predykcyjnej i monitorowania stanu technicznego w ograniczaniu zarówno zakłóceń operacyjnych, jak i zmienności kosztów.

Analiza wykazuje również, że transformacja cyfrowa może zwiększyć koszty operacyjne w początkowych etapach wdrażania ze względu na przejściowe funkcjonowanie systemów równoległych, zamiast przynieść natychmiastowe zyski z wydajności. Wynik ten sugeruje, że przedsiębiorstwa energetyczne powinny oceniać inwestycje cyfrowe w oparciu o analizę kosztów cyklu życia, a nie krótkoterminowe wyniki finansowe, oraz przewidywać tymczasowe nakładanie się kosztów podczas wdrażania inteligentnego monitoringu, zaawansowanego zarządzania dystrybucją lub cyfrowych podstacji. Proponowane ramy rekompensaty rezydualnej mogłyby zostać rozszerzone o szacowanie momentu, w którym inwestycje cyfrowe zaczną generować netto oszczędności kosztów, co wsparłoby bardziej efektywne planowanie technologiczne i decyzje inwestycyjne.

Poza zakresem operacji przedsiębiorstw użyteczności publicznej, proponowane ramy mają istotne znaczenie regulacyjne. Poprzez kwantyfikację wpływu zewnętrznych czynników na reszty kosztowe, model stanowi obiektywną podstawę do ustanawiania rezerw celowych dostosowanych do zmian klimatycznych oraz oceny wniosków budżetowych przedsiębiorstw. Oddzielenie bazowych kosztów zależnych od kwot od reszt wynikających z zakłóceń wspiera również skuteczniejszą regulację opartą na wynikach, odróżniając sterowalną efektywność operacyjną od niekontrolowanych wstrząsów zewnętrznych. Ponadto ramy prognozowania oparte na kwotach oferują większą przejrzystość i weryfikowalność niż czysto statystyczne lub nieprzejrzyste modele sztucznej inteligencji typu „black-box”, umożliwiając bezpośrednie powiązanie prognozowanych kosztów z fizycznymi warunkami eksploatacji i parametrami technicznymi podczas przeglądów taryf oraz posiedzeń organów regulacyjnych.

Należy uznać kilka ograniczeń. Analiza empiryczna opiera się na pojedynczej prowincjonalnej sieci energetycznej wschodnich Chin, co może ograniczać możliwość uogólnienia wyników na regiony o innych warunkach klimatycznych, środowiskach regulacyjnych lub strukturach sieci. Chociaż zbiór danych obejmujący 192 miesiące jest wystarczający dla modelu XGBoost, pozostaje on stosunkowo niewielki w kontekście uchwycenia rzadkich, ale mających duży wpływ zdarzeń, a wydajność prognozowania zależy od jakości i spójności podstawowych baz danych kwot kosztów. Ponadto dynamiczny mechanizm kwot opiera się na zagregowanym indeksie cen producentów oraz czynnikach postępu technologicznego, które mogą nie w pełni oddawać regionalne lub specyficzne dla komponentów zmienności kosztów. Mimo że analiza SHAP poprawia interpretowalność modelu, zgłaszane wkładu cech reprezentują powiązania predykcyjne, a nie związki przyczynowe, w związku z czym należy je interpretować z odpowiednią ostrożnością.

Przyszłe badania powinny skupić się na integracji nieustrukturyzowanych zapisów konserwacji za pomocą domenowych dużych modeli językowych, włączeniu spatiotemporalnych sieci neuronowych grafowych w celu uchwycenia propagacji zaburzeń w połączonych sieciach, rozszerzeniu walidacji na wiele regionów w celu poprawy generalizacji oraz wprowadzeniu kwantyfikacji niepewności w celu wsparcia regulacyjnych decyzji uwzględniających ryzyko. Rozwiązania te są zgodne z niedawnymi postępami w średnio- i długoterminowym prognozowaniu energii oraz integracji odnawialnych źródeł energii, które podkreślają znaczenie łączenia inteligencji opartej na danych z fizycznie poinformowanymi ramami modelowania dla niezawodnej pracy systemów elektroenergetycznych43,44.

Oświadczenia

Wszyscy autorzy deklarują brak konfliktów interesów.

WKŁAD AUTORÓW:
Xiaohui Wang opracował i zaprojektował badanie, opracował metodologię, przeprowadził formalną analizę i przygotował projekt rękopisu. Tong Li przyczynił się do kurateli danych, implementacji oprogramowania i walidacji. Yanchao Lu przyczynił się do opracowania metodologii, przeprowadzenia badań i interpretacji danych. Quanfeng Lv zapewnił zasoby, nadzorował pozyskiwanie danych i krytycznie ocenił rękopis. Fan Liu nadzorował projekt, przyczynił się do konceptualizacji i interpretacji wyników, zapewnił finansowanie i krytycznie zredagował rękopis. Wszyscy autorzy zapoznali się z końcową wersją rękopisu i ją zatwierdzili

Podziękowania

Praca ta była wspierana przez Projekt Technologiczny State Grid Corporation of China o nazwie „Research on Production and Operation Cost Allocation Analysis and Asynchronous Optimization Technology” (numer projektu: 520600250029-183-ZN).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Zanonimizowany miesięczny zestaw danych księgowych E-GridProwincjonalna sieć energetyczna we wschodnich ChinachN/AZanonimizowany miesięczny zestaw danych dotyczących kosztów produkcji i eksploatacji (2010–2025) obejmujący 192 obserwacje, w tym dane o aktywach fizycznych, eksploatacji i konserwacji, dane makroekonomiczne oraz środowiskowe. Wykorzystany do opracowania modelu (156 obserwacji) oraz testowania poza próbką (36 obserwacji).
Biblioteka do wykresów MatplotlibMatplotlib development team3.5.2Wykorzystana do generowania rycin do manuskryptu i wyników graficznych, w tym wykresów wydajności modelu, wizualizacji topologii, diagnostyki reszt, wykresów radarowych oraz wizualnych podsumowań związanych z SHAP.
Biblioteka obliczeń numerycznych NumPyNumPy developers1.22.3Wykorzystana do operacji na tablicach numerycznych, obliczeń macierzowych i kontroli powtarzalności. W odpowiednich miejscach zastosowano stałe ziarno losowe (random seed) o wartości 42.
Biblioteka manipulacji danymi Pandaspandas development team1.4.2Wykorzystana do importu, integracji, restrukturyzacji, filtrowania i preprocessingu danych, w tym imputacji brakujących wartości, wyrównania szeregów czasowych i przygotowania zmiennych wejściowych modelu.
Środowisko programistyczne PythonPython Software Foundation3.9.13Środowisko programistyczne wykorzystane do implementacji pełnego przepływu pracy prognozowania, w tym preprocessingu danych, inżynierii cech, trenowania modelu, optymalizacji hiperparametrów, predykcji, testowania statystycznego i oceny wydajności.
Biblioteka uczenia maszynowego Scikit-learnscikit-learn contributors1.0.2Wykorzystana do preprocessingu danych, podziału na zbiór treningowy i walidacyjny, pomocniczej oceny modelu oraz procedur statystycznych, w tym analizy korelacji Pearsona i obliczania wybranych metryk wydajności.
Biblioteka obliczeń naukowych SciPySciPy contributors1.9.0Wykorzystana do obliczeń statystycznych, w tym analizy korelacji Pearsona oraz procedur pomocniczych do obsługi wartości odstających i winsoryzacji.
Implementacja Tree-structured Parzen EstimatorOptuna contributors3.1.0Implementacja optymalizacji bayesowskiej wykorzystana do dostrajania hiperparametrów XGBoost, w tym maksymalnej głębokości drzewa, tempa uczenia i parametrów regularyzacji. Tree-structured Parzen Estimator został zaimplementowany za pomocą otwartoźródłowego pakietu Optuna.
Biblioteka oprogramowania XGBoostDMLC / XGBoost contributors1.7.1Biblioteka uczenia zespołowego opartego na drzewach decyzyjnych, wykorzystana do nieliniowej kompensacji reszt. Model zaimplementował zregulowaną funkcję celu z funkcją straty Hubera i karami za złożoność drzewa, zgodnie z opisem w równaniach 7–9.

Bibliografia

  1. Rao H, Li J, Sun X. Demand forecasting and allocation optimization of green power grid supply chain based on machine learning algorithm: A study based on the whole-process data of power grid materials. Sustainability. 2025;17(3):1247.
  2. Huang C, et al. Demand response for industrial micro-grid considering photovoltaic power uncertainty and battery operational cost. IEEE Trans Smart Grid. 2021;12(4):3043-3055.
  3. Phuangpornpitak N, Prommee W. A study of load demand forecasting models in electric power system operation and planning. GMSARN Int J. 2016;10:19-24.
  4. Nasir J, et al. A hybrid LMD–ARIMA–machine learning framework for enhanced forecasting of financial time series: Evidence from the NASDAQ Composite Index. Mathematics. 2025;13(15):2389.
  5. Matos C, et al. Model for integrating the electricity cost consumption and power demand into aggregate production planning. Appl Sci. 2022;12(15):7577.
  6. Valenzuela J, Mazumdar M, Kapoor A. Influence of temperature and load forecast uncertainty on estimates of power generation production costs. IEEE Trans Power Syst. 2000;15(2):668-674.
  7. Khan F, et al. A hybrid vector autoregressive model for accurate macroeconomic forecasting: An application to the US economy. Mathematics. 2025;13(11):1706.
  8. Fatema I, Kong X, Fang G. Electricity demand and price forecasting model for sustainable smart grid using comprehensive long short-term memory. Int J Sustain Eng. 2021;14(6):1714-1732.
  9. Singh AK, Ibraheem SK, Muazzam M, Chaturvedi DK. An overview of electricity demand forecasting techniques. Netw Complex Syst. 2013;3(3):38-48.
  10. Iftikhar H, et al. A novel hybrid framework for forecasting stock indices based on nonlinear time series models. Comput Stat. 2025;40(8):4163-4186.
  11. Jiang P, Li R, Lu H, Zhang X. Modeling of electricity demand forecast for power system. Neural Comput Appl. 2020;32(11):6857-6875.
  12. Chan SC, et al. Load/price forecasting and managing demand response for smart grids: Methodologies and challenges. IEEE Signal Process Mag. 2012;29(5):68-85.
  13. Hernandez L, et al. A survey on electric power demand forecasting: Future trends in smart grids, microgrids and smart buildings. IEEE Commun Surv Tutor. 2014;16(3):1460-1495.
  14. Zareipour H, Canizares CA, Bhattacharya K. Economic impact of electricity market price forecasting errors: A demand-side analysis. IEEE Trans Power Syst. 2009;25(1):254-262.
  15. Botterud A. Forecasting renewable energy for grid operations. In: Renewable Energy Integration. Academic Press; 2017:133-143.
  16. Mirowski P, Chen S, Ho TK, Yu CN. Demand forecasting in smart grids. Bell Labs Tech J. 2014;18(4):135-158.
  17. Sobu A, Wu G. Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand. In: IEEE PES Innovative Smart Grid Technologies [conference proceedings]. IEEE; 2012. Available at: https://ieeexplore.ieee.org/
  18. Han B, et al. Optimal design of an on-grid microgrid considering long-term load demand forecasting: A case study. Distrib Gener Altern Energy J. 2020;35:345-362.
  19. Tripathy SC. Demand forecasting in a power system. Energy Convers Manag. 1997;38(14):1475-1481.
  20. Adshead NS, Price DH. Demand forecasting and cost performance in a model of a real manufacturing unit. Int J Prod Res. 1987;25(9):1251-1265.
  21. Gellert A, et al. A study on forecasting electricity production and consumption in smart cities and factories. Int J Inf Manage. 2019;49:546-556.
  22. Hernández L, et al. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Commun Mag. 2013;51(1):106-113.
  23. Klingler AL, Teichtmann L. Impacts of a forecast-based operation strategy for grid-connected PV storage systems on profitability and the energy system. Sol Energy. 2017;158:861-868.
  24. Ghalehkhondabi I, Ardjmand E, Weckman GR, Young WA. An overview of energy demand forecasting methods published in 2005–2015. Energy Syst. 2017;8(2):411-447.
  25. Aderibigbe AO, et al. Enhancing energy efficiency with AI: A review of machine learning models in electricity demand forecasting. Eng Sci Technol J. 2023;4(6):341-356.
  26. Arumugham V, et al. An artificial-intelligence-based renewable energy prediction program for demand-side management in smart grids. Sustainability. 2023;15(6):5453.
  27. Dudek G, Piotrowski P, Baczyński D. Intelligent forecasting and optimization in electrical power systems: Advances in models and applications. Energies. 2023;16(7):3024.
  28. Liu N, et al. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids. Appl Energy. 2014;129:336-345.
  29. Mohammad AA, et al. Mathematical and statistical modelling of electricity demand forecasting using artificial neural networks and SARIMA: Implications for energy supply chain planning. Alex Eng J. 2026;139:98-108.
  30. Singh AR, et al. A blockchain-enabled multi-agent deep reinforcement learning framework for real-time demand response in renewable energy grids. Energy Strateg Rev. 2025;62:101905.
  31. Lu R, et al. Data-driven real-time price-based demand response for industrial facilities energy management. Appl Energy. 2021;283:116291.
  32. Kondaiah VY, Saravanan B, Sanjeevikumar P, Khan B. A review on short-term load forecasting models for micro-grid application. J Eng. 2022;2022(7):665-689.
  33. Lee BL, Wilson C, Simshauser P, Majiwa E. Deregulation, efficiency and policy determination: An analysis of Australia's electricity distribution sector. Energy Econ. 2021;98:105210.
  34. Wang Y, et al. Transmission network expansion planning considering wind power and load uncertainties based on multi-agent DDQN. Energies. 2021;14(19):6073.
  35. Ding Q, Zhao H. Study on e-commerce logistics cost control methods in the context of COVID-19 prevention and control. Soft Comput. 2021;25(18):11955-11963.
  36. Duan Y, Xu Z, Chen H, Wang Y. Novel machine learning approach for enhanced smart grid power use and price prediction using advanced Shark Smell-tuned flexible support vector machine. Sci Rep. 2025;15(1):20909.
  37. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining [conference proceedings]. San Francisco, CA, USA; 2016. Available at: https://doi.org/10.1145/2939672.2939785
  38. Lin KY, et al. Predictive maintenance in industrial systems: An XGBoost-based approach for failure time estimation and resource optimization. J Ind Prod Eng. 2025;42(8):876-899.
  39. Ajayi OO, Kurien AM, Djouani K, Dieng L. A proactive predictive model for machine failure forecasting. Machines. 2025;13(8):663.
  40. Lundberg SM, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56-67.
  41. Chen H, Gao T, Wang L, Guo P. Explainable machine learning methods for predicting electricity consumption in a long-distance crude oil pipeline. Sci Rep. 2025;15(1):43305.
  42. Neubauer A, Brandt S, Kriegel M. Explainable multi-step heating load forecasting: Using SHAP values and temporal attention mechanisms for enhanced interpretability. Energy AI. 2025;20:100480.
  43. Ahmad T, Chen H. Potential of three variant machine-learning models for forecasting district-level medium-term and long-term energy demand in smart grid environment. Energy. 2018;160:1008-1020.
  44. Masa-Bote D, et al. Improving photovoltaics grid integration through short-time forecasting and self-consumption. Appl Energy. 2014;125:103-113.

Przedruki i uprawnienia

Tagi

Prognozowanie kosztówdane sieci elektroenergetycznejprognozowanie oparte na normach kosztowychmodel XGBoostinterpretacja SHAPreforma rynku energii elektrycznejtaryfy przesyłoweregulacyjna weryfikacja kosztówprognozowanie z wykorzystaniem uczenia maszynowego
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.