Крос-доменна адаптація та забезпечення довіреної якості інтелек-туального програмного забезпечення для управління енергетикою
DOI:
https://doi.org/10.35681/1560-9189.2026.28.2.363165Ключові слова:
інтелектуальне програмне забезпечення для управління енергетикою (IEMS), крос-доменна адаптація, навчання з перенесенням, змагальне вирівнювання доменів, до-вірчий штучний інтелект, забезпечення якості програмного забезпечення, калібрування, пояснюваність, виявлення аномалій, енергетичні мережіАнотація
Інтелектуальне програмне забезпечення для управління енергетикою (IEMS) відіграє дедалі важливішу роль у сучасних смарт-мережах, розподілених енергетичних системах і платформах оптимізації енергоспоживання. Однією із ключових проблем під час практичного розгортання таких систем є суттєва варіативність розподілів даних, умов експлуатації, конфігурацій сенсорів і прог-рамної інфраструктури в різних середовищах (доменах). Традиційні підходи до забезпечення якості (QA),що орієнтовані на статичні та гомогенні умови, часто призводять до деградації продуктивності моделей штучного інтелекту при їхньому перенесенні між доменами. Це створює суттєві ризики для надійності, стабільності роботи енергомереж і безпеки прийняття рішень. У роботі представлено уніфіковану рамкову структуру, що поєднує механізми крос-доменної адаптації і забезпечення довіреної якості для IEMS. Запропонований підхід інтегрує методи навчання з перенесенням (transfer learning), змагального вирівнювання доменів (adversarial domain alignment) і федеративного агрегування для подолання розбіжностей у розподілах даних. Крім того, структура включає рівень довірчого контролю якості, який охоплює оцінку калібрування (Expected Calibration Error, Negative Log Likelihood), аналіз робастності та пояснюваності, що відповідає принципам довірчого штучного інтелекту (Trustworthy AI) та стандартам якості програмного забезпечення (ISO/IEC 25010). Експериментальну валідацію проведено на загальнодоступних наборах даних, включаючи NASA MDP, PROMISE (прогнозування дефектів), NAB та UCI Energy (виявлення аномалій і прогнозування навантаження). Порівняно із сильними базовими моделями (випадковий ліс, згорткові нейронні мережі, керовані рекурентні блоки) запропонований метод демонструє стабільне покращення: абсолютний приріст F1-показника на 5–10 відсоткових пунктів для прогнозування дефектів і збільшення метрики виявлення аномалій з 0,70 до 0,78 на NAB. Важливо, що досягнуто очікуваної помилки калібрування (ECE) на рівні 0,032 (що відповідає зниженню на 22–42 % порівняно з баєсовими згортковими мережами) та зменшення від’ємної логарифмічної правдоподібності (NLL) до 0,18. Це підтверджує, що модель забезпечує надійні ймовірнісні оцінки, критично важливі для прийняття рішень у безпекокритичних енергетичних застосунках. Таким чином, запропонована рамкова структура не лише підвищує точність прогнозів в умовах зміни доменів, але й закладає основу для практичного розгортання сертифікованих, пояснюваних і стійких систем IEMS у реальних сценаріях управління енергетикою. Результати роботи відкривають шлях до створення самоеволюційних методів забезпечення якості для наступного покоління енергетичного програмного забезпечення. Табл.: 5. Іл.: 5. Бібліогр.: 20 найм.
Посилання
Pan S.J., Yang Q. A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering. 2010. Vol. 22, No. 10. pp. 1345–1359. https://doi.org/10.1109/TKDE.2009.191
Ganin Y., Lempitsky V. Unsupervised Domain Adaptation by Backpropagation. Proceedings of the 32nd International Conference on Machine Learning, ICML. 2015. Vol. 37. pp. 1180–1189. Available at: https://proceedings.mlr.press/v37/ganin15.html
Hall T., Beecham S., Bowes D., Gray D., Counsell S. A Systematic Literature Review on Fault Prediction Performance in Software Engineering. IEEE Transactions on Software Engineering. 2012. Vol. 38, No. 6. pp. 1276–1304. https://doi.org/10.1109/TSE.2011.103
McMahan B., Moore E., Ramage D., Hampson S., y Arcas B. A. Communication-efficient learning of deep networks from decentralized data. In: Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS). PMLR. 2017. Vol. 54. pp. 1273–1282. Available at: https://proceedings.mlr.press/v54/mcmahan17a.html
Kairouz pp., McMahan H. B. Advances and Open Problems in Federated Learning. Foundations and Trends in Machine Learning. 2021. Vol. 14, Iss. 1–2. pp. 1–210. https://doi.org/10.1561/2200000083
Guo C., Pleiss G., Sun Y., Weinberger K. Q. On calibration of modern neural networks. Proceedings of the 34th International Conference on Machine Learning (ICML). 2017. pp. 1321–1330. https://doi.org/10.48550/arXiv.1706.04599
Hendrycks D., Dietterich T. Benchmarking Neural Network Robustness to Common Corruptions and Perturbations. International Conference on Learning Representations (ICLR). New Orleans, Louisiana, United States, 2019. https://doi.org/10.48550/arXiv.1903.12261
Lundberg S. M., Lee S.-I. A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems (NeurIPS). 2017. Vol. 30. pp. 4765–4774. https://doi.org/10.48550/arXiv.1705.07874
Ribeiro M. T., Singh S., Guestrin C. Why should I trust you?: Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2016. pp. 1135–1144. https://doi.org/10.1145/2939672.2939778
Felderer M., Ramler R. Quality Assurance for AI-Based Systems: Overview and Challenges (Introduction to Interactive Session). Software Quality: Future Perspectives on Software Engineering Quality, 13th International Conference SWQD. Vienna, Austria, 2021. pp. 33–42. https://doi.org/10.1007/978-3-030-65854-0_3
Lavin A., Ahmad S. Evaluating Real-Time Anomaly Detection Algorithms – The Numenta Anomaly Benchmark. Proceedings of the 14th IEEE International Conference on Machine Learning and Applications (ICMLA). 2015. pp. 38–44. https://doi.org/10.1109/ICMLA.2015.141
Jureczko M., Madeyski L. Towards Identifying Software Project Clusters with Respect to Defect Prediction. Proceedings of the 6th International Conference on Predictive Models in Software Engineering, PROMISE. Timishoara, Romania, 2010. Article No. 9. pp. 1–10. https://doi.org/10.1145/1868328.1868342
Kim S., Whitehead E. J., Zhang Y. Classifying Software Changes: Clean or Buggy? IEEE Transactions on Software Engineering. 2008. Vol. 34, No. 2. pp. 181–196. https://doi.org/10.1109/TSE.2007.70773
Dua D., Graff C. UCI Machine Learning Repository. University of California, Irvine, School of Information and Computer Sciences, 2019. Available at: https://archive.ics.uci.edu/datasets
International Organization for Standardization. ISO/IEC 25010:2023 – Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Product quality model. ISO, 2023. Available at: https://www.iso.org/standard/78176.html#lifecycle
Breiman L. Random forests. Machine Learning. 2001. Vol. 45, No. 1. pp. 5–32. https://doi.org/10.1023/A:1010933404324
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9, No. 8. pp. 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
Verlan A., Zhihai W. Toward self-evolving quality assurance frameworks for AI-driven intelligent energy management software. Radioelectronic and Computer Systems. 2026. No. 1. pp. 163–178. https://doi.org/10.32620/reks.2026.1.11
Verlan A.А., Zhihai W., Yunhai Z. Enhancing Reliability of Energy Management Software Through Predictive Modeling and Automated Repair. Connectivity. 2025. Vol. 6. pp. 95–102. https://doi.org/10.31673/2412-9070.2025.061212
Verlan A.A., Zhi Hai W., Chen C. Modelling the quality assurance of AI based intelligent energy management software. Modern Information Security. 2025. Vol. 3(63). pp. 199–204. https://doi.org/10.31673/2409-7292.2025.030192
