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.
Zhihai et al. (Wed,) studied this question.