Semantic-Aware Cross-Domain Multi-Horizon Energy Forecasting for Renewable-Aware Manufacturing: The NEO-FORECAST Framework

In de moderne wereld beginnen fabrieken op een ander soort klok te draaien. Decennialang was industriële energie een gestage, voorspelbare rivier die met weinig variatie van het elektriciteitsnet naar de machines stroomde. Vandaag de dag is die rivier een mengeling geworden van een gestage stroom en plotselinge, weerafhankelijke pieken van zonnepanelen en windturbines. Deze verschuiving creëert een complexe puzzel voor fabrieksmanagers. Zij moeten beslissen wanneer ze zware machines laten draaien, wanneer ze energie in batterijen opslaan en wanneer ze stroom inkopen van het elektriciteitsnet, terwijl ze tegelijkertijd proberen de kosten laag en de productie stabiel te houden. Om deze beslissingen te nemen, hebben zij voorspellingen nodig die niet alleen accuraat zijn, maar ook bewust zijn van de specifieke fysieke realiteit van hun situatie. Een voorspelling voor de zonne-opbrengst op een zonnige dag is fundamenteel verschillend van een voorspelling voor het machinegebruik van een fabriek, zelfs als beide in kilowatt worden gemeten. Het behandelen van deze verschillende soorten energiegegevens alsof het dezelfde soort zaken zijn, kan leiden tot verwarring en slechte beslissingen.

Dit is de uitdaging waar Adnan Haider Zaidi zich mee bezighoudt in een nieuwe studie genaamd NEO-FORECAST. Het onderzoek richt zich op een specifiek probleem in de energievoorspelling: hoe we kunnen gebruiken wat we weten over het ene type energiesysteem om een ander te helpen voorspellen, zonder fouten te maken. Stel je voor dat je probeert te leren hoe je een vrachtwagen bestuurt door eerst te leren hoe je op een fiets rijdt. De vaardigheden van evenwicht bewaren en sturen zijn gerelateerd, maar de voertuigen zijn zo verschillend dat het blindelings toepassen van fietsregels op een vrachtwagen gevaarlijk kan zijn. In de energievoorspelling staat dit bekend als "negatieve transfer", waarbij het mengen van gegevens uit verschillende bronnen de voorspellingen eerder verslechtert dan verbetert. De studie stelt een precieze vraag: onder welke omstandigheden helpt het delen van kennis tussen verschillende energie-taken, en wanneer schaadt het? De onderzoekers ontwikkelden een raamwerk om dit te testen, waarbij ze er zeker van zijn dat ze niet simpelweg aannemen dat meer data altijd beter is, maar in plaats daarvan zorgvuldig controleren of de data compatibel is voordat deze wordt gebruikt.

De kern van het NEO-FORECAST-raamwerk is een methode die de unieke identiteit van elke energiebron respecteert. In plaats van alle beschikbare gegevens — elektriciteitsvraag, zonne-energieopwekking, gebruik van gebouwen en industriële belastingen — in een enkele blender te gooien, houdt het systeem ze onderscheiden. Het erkent dat hoewel deze systemen enkele patronen kunnen delen, zoals dagelijkjes cycli of reacties op het weer, hun onderliggende doelen en fysieke gedragingen verschillend zijn. De onderzoekers bouwden een systeem dat deze patronen scheidt in drie lagen: de algemene tijdgebaseerde ritmes die mogelijk gedeeld worden, de specifieke kenmerken van de locatie of het domein, en de unieke details van de individuele entiteit. Door deze lagen gescheiden te houden, kan het systeem beslissen wanneer het kennis leent van een andere bron en wanneer het uitsluitend op zijn eigen geschiedenis moet vertrouwen. Deze aanpak omvat een "compatibiliteitscontrole", een mechanisme dat fungeert als een poortwachter. Voordat het systeem toestaat dat kennis van de ene taak naar de andere stroomt, berekent het of de twee taken voldoende vergelijkbaar zijn om van de uitwisseling te profiteren. Als ze te verschillend zijn, sluit de poort om de verwarring te voorkomen die leidt tot negatieve transfer.

De studie werd ontworpen met een strikte focus op het vermijden van veelvoorkomende valkuilen in wetenschappelijke tests. Een groot punt van zorg in dit veld is "datalekken" (data leakage), waarbij een model per ongeluk toekomstige informatie ziet tijdens de training, waardoor het slimmer lijkt dan het in werkelijkheid is. De onderzoekers implementeerden strikte controles om ervoor te zorgen dat de gegevens die voor de training werden gebruikt, de gegevens die voor de test werden gebruikt, nooit raakten, en dat de test op een manier werd uitgevoerd die de tijdsvolgorde respecteerde. Ze testten hun methode tegen verschillende gevestigde modellen, waaronder langdurige statistische instrumenten en moderne kunstmatige intelligentiesystemen zoals neurale netwerken. De resultaten toonden aan dat de NEO-FORECAST-aanpak nauwkeurigere voorspellingen produceerde dan deze standaardmethoden. Wanneer we naar de gemiddelde foutmarges kijken, verminderde het nieuwe raamwerk het verschil tussen de voorspelde en de werkelijke waarden aanzienlijk. Specifiek was de gemiddelde fout 5,9 vergeleken met 8,2 voor een standaard recurrent model, en de variantie, of spreiding van fouten, was 2,6 vergeleken met 3,7. In een aparte test met genormaliseerde getallen om verschillende schalen te vergelijken, scoorde de nieuwe methode 0,089, waarmee het een transformer-model van 0,112 en een boom-gebaseerd model van 0,145 versloeg.

De onderzoekers zijn echter voorzichtig met het claimen dat dit een universele oplossing is die in elke situatie perfect werkt. De studie voert expliciet aan tegen het idee dat het simpelweg samenvoegen van alle gegevens de beste strategie is. Ze stellen voor dat het voordeel van het delen van kennis sterk afhangt van de tijdshorizon die wordt voorspeld, en het raamwerk is ontworpen om deze relatie te evalueren via specifieke experimenten in plaats van het als een huidige capaciteit aan te nemen. Een voorspelling voor het volgende uur kan mogelijk baat hebben bij een andere set gedeelde regels dan een voorspelling voor de volgende week, maar de studie definieert dit als een hypothese die getest moet worden tegen target-only training en andere controles. Bovendien benadrukt het onderzoek dat een goede voorspelling niet alleen gaat over het dicht bij het werkelijke getal komen; het gaat erom hoe dat getal een fabriek helpt bij het nemen van een beslissing. De studie introduceert een "beslissingsinterface" die de voorspelling verbindt met real-world acties, zoals het aan- of uitzetten van machines. Dit stelt de onderzoekers in staat om niet alleen de nauwkeurigheid van de voorspelling te meten, maar ook de waarde van de beslissing die het mogelijk maakt. Ze stellen een test voor om te zien of een iets minder nauwkeurige voorspelling kan leiden tot een betere operationele beslissing, afhankelijk van de beperkingen van de fabriek, maar merken op dat dit reproduceerbare bewijs vereist om te bevestigen wanneer een dergelijke divergentie optreedt.

Het uiteindelijke doel van dit werk is het creëren van een reproduceerbaar pad van ruwe data naar technische beslissingen. De auteur erkent dat hoewel de geaggregeerde cijfers veelbelovend zijn, de echte test ligt in de details van specifieke datasets en specifieke fabricagescenario's. Ze hebben een duidelijk plan uiteengezet voor toekomstige verificatie, waarbij wordt vereist dat elke claim van superioriteit wordt onderbouwd met bewijs uit specifieke experimenten, en niet alleen uit algemene gemiddelden. De studie beweert niet het probleem van energievoorspelling voor de gehele productie opgelost te hebben. In plaats daarvan biedt het een gedisciplineerde, door bewijs gecontroleerde methode om te bepalen wanneer en hoe kennis tussen verschillende energie-taken gedeeld moet worden. Door het algemene van het specifieke te scheiden en compatibiliteit te controleren voordat er gedeeld wordt, biedt het NEO-FORECAST-raamwerk een manier om slimmere, betrouwbaardere energiesystemen te bouwen voor de hernieuwbare-bewuste fabrieken van de toekomst. De bevindingen suggereren dat de toekomst van energiebeheer niet ligt in grotere, complexere modellen die proberen alles tegelijk te leren, maar in slimmere systemen die precies weten wat ze van elkaar kunnen leren en wat ze zelfstandig moeten leren.