МОДЕЛЮВАННЯ ЗАБЕЗПЕЧЕННЯ ЯКОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОГО УПРАВЛІННЯ ЕНЕРГІЄЮ НА ОСНОВІ ШІ

DOI: 10.31673/2409-7292.2025.030192

Анотація

Це дослідження проводиться кафедрою програмної інженерії для енергетичної промисловості, КПІ НТУУ та
Студією іноземних експертів з реагування на попит при Шаньдун-Узбекистанському науково-дослідному інституті
технологічних інновацій у рамках співпраці проекту H20240943 «Проект забезпечення якості інтелектуального
програмного забезпечення для управління енергією на основі методів штучного інтелекту та проекту «Розробка та
індустріалізація технології реагування на попит інтелектуальної мережі». Програмне забезпечення для
інтелектуального управління енергією (IEMS) повинно надійно працювати на гетерогенних об'єктах, де розподіл даних,
набори датчиків, бази коду та операційні політики змінюються з часом. У цій статті представлено єдину структуру для
міждоменної адаптації та довірчого забезпечення якості (QA), яка поєднує контрольоване навчання з перенесенням,
узгодження доменно-змагальних систем та федеративну агрегацію з релізними шлюзами для калібрування, надійності
та пояснювальності. Структура валідована на основі еталонів, що охоплюють програмну інженерію та енергетичну
аналітику: набори даних дефектів NASA MDP та PROMISE для класифікації, бенчмарк аномалій Numenta (NAB) для
виявлення аномалій часових рядів та набір даних про енергію UCI для оцінки надійності. Сильні базові лінії
(випадковий ліс, SVM, CNN, GRU) налаштовані за ідентичними протоколами для забезпечення справедливого
порівняння. Запропонований метод послідовно покращує прогностичну ефективність, забезпечуючи абсолютне
збільшення F1-оцінки на 5–10 балів для прогнозування дефектів та збільшення на 8 балів для виявлення аномалій NAB
(з 0,70 до 0,78). Достовірність також підвищується: очікувана помилка калібрування (ECE) зменшується до 0,032
(зниження на 22–42% відносно базових рівнів баєсівського/CNN), негативна логарифмічна правдоподібність (NLL)
падає до 0,18, а оцінка Брієра покращується, що вказує на кращу ймовірнісну точність. Дослідження абляції показують,
що змагальне вирівнювання забезпечує найбільші покращення міждоменного узагальнення, тоді як температурне
масштабування та регуляризація ентропії забезпечують найбільші покращення калібрування. Стрес-тести з введеним
шумом та поступовим дрейфом підтверджують стабільні компроміси між точністю та повнотою та обмежене
поширення помилок при розподільному зсуві. В умовах обмеженої конфіденційності федеративна агрегація зберігає ці
переваги без обміну необробленими даними, тоді як легкі перевірки пояснень (наприклад, SHAP/LIME) позначають
прогнози з низькою достовірністю для перевірки людиною, що дозволяє здійснювати дієве забезпечення якості. Разом
ці результати демонструють, що поєднання адаптивного перенесення з формальними перевірками якості забезпечує
принциповий та практичний шлях до надійного розгортання IEMS у житлових, комерційних та промислових
середовищах.
Ключові слова: програмне забезпечення для інтелектуального управління енергією (IEMS); міждоменна
адаптація; навчання за допомогою перенесення; змагальне навчання за доменами; федеративне навчання; забезпечення
якості програмного забезпечення; калібрування; пояснимість.

Перелік посилань
1. ISO/IEC 25010:2011. Systems and software engineering—Systems and software Quality Requirements and
Evaluation (SQuaRE), System and software quality models. International Organization for Standardization, Geneva,
2011.
2. Felderer, M., & Ramler, R. (2021). Quality assurance for AI-based systems: Overview and challenges. arXiv
preprint arXiv:2102.05351. https://doi.org/10.48550/arXiv.2102.05351.
3. Ali, M. A., Yap, N. K., Ghani, A. A. A., Zulzalil, H., Admodisastro, N. I., & Najafabadi, A. A. (2022). A
systematic mapping of quality models for AI systems, software and components. Applied Sciences, 12(17), 8700.
https://doi.org/10.3390/app12178700.
4. Lakshminarayanan, B., Pritzel, A., & Blundell, C. (2017). Simple and scalable predictive uncertainty
estimation using deep ensembles. In Advances in Neural Information Processing Systems (NeurIPS 30) (pp. 6402–6413).
Curran Associates, Inc. https://doi.org/10.48550/arXiv.1612.01474
5. Angelopoulos, A. N., & Bates, S. (2021). A gentle introduction to conformal prediction and distribution-free
uncertainty quantification. arXiv preprint arXiv:2107.07511. https://doi.org/10.48550/arXiv.2107.07511
6. Higham, N. J. (2002). Accuracy and Stability of Numerical Algorithms (2nd ed.). Philadelphia, PA: SIAM.
https://doi.org/10.1137/1.9780898718027
7. Goodfellow, I., Shlens, J., & Szegedy, C. (2015). Explaining and harnessing adversarial examples. In
Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015). San Diego, CA. Retrieved
from https://arxiv.org/abs/1412.6572
8. Carlini, N., & Wagner, D. (2017). Towards evaluating the robustness of neural networks. In 2017 IEEE
Symposium on Security and Privacy (SP) (pp. 39–57). IEEE. https://doi.org/10.1109/SP.2017.49
9. Hendrycks, D., & Dietterich, T. G. (2019). Benchmarking neural network robustness to common corruptions
and perturbations. In Proceedings of the 7th International Conference on Learning Representations (ICLR 2019). New
Orleans, LA. Retrieved from https://arxiv.org/abs/1903.12261
10. Mounir, N., Ouadi, H., & Jrhilifa, I. (2023). Short-term electric load forecasting using an EMD–BiLSTM
approach for smart grid energy management system. Energy and Buildings, 288, 113022. https://doi.org/10.1016
/j.enbuild.2023.113022
11. Abumohsen, M., AlQahtani, M., Alsanad, A., Alqahtani, A., & Alkahtani, H. (2023). Electrical load forecasting
using LSTM, GRU, and RNN. Energies, 16(5), 2283. https://doi.org/10.3390/en16052283
12. Bayram, F., Aupke, P., Ahmed, B. S., Kassler, A., Theocharis, A., & Forsman, J. (2023). DA-LSTM: A
dynamic drift-adaptive learning framework for interval load forecasting with LSTM networks. Engineering Applications
of Artificial Intelligence, 123, 106480. https://doi.org/10.1016/j.engappai.2023.106480
13. Mischos, S., Iakovidis, D. K., & Katsikas, A. K. (2023). Intelligent energy management systems: A review.
Artificial Intelligence Review. https://doi.org/10.1007/s10462-023-10506-5