شبكات البقايا العميقة مع استخلاص الميزات بالتلافيف للتنبؤ بالحمولة قصيرة الأجل

لماذا يهم استهلاك الكهرباء غداً اليوم

في كل مرة نفتح فيها مفتاحًا، يجب على شركات الطاقة أن تكون قد جهزت الكمية المناسبة من الكهرباء مسبقًا. إذا أنتجت القليل جدًا، تومض الأضواء وتتوقف المصانع؛ وإذا أنتجت الكثير، تُهدر الوقود والمال. تستعرض هذه المقالة طريقة جديدة في الذكاء الاصطناعي تساعد مشغلي الشبكة على التنبؤ، ساعة بساعة، بكمية الكهرباء التي سيستهلكها الناس في اليوم التالي، في مناخات مختلفة تمامًا من نيو إنجلاند الثلجية إلى ماليزيا الاستوائية.

تحدي تقدير احتياجاتنا الطاقية اليومية

التنبؤ بالحمولة قصيرة الأجل هو مهمة توقع كمية الكهرباء التي ستحتاجها منطقة ما من الساعة التالية وحتى الأسبوع القادم. توجه هذه التوقعات قرارات حاسمة، مثل أيّ محطات توليد يجب تشغيلها، وكيفية جدولة الصيانة، وكيفية التخطيط لتداول الطاقة. حتى تحسن طفيف يمكن أن يوفر مبالغ كبيرة من المال؛ بالنسبة لمزود كبير، فإن تقليل خطأ التنبؤ بنسبة مئوية واحدة فقط يمكن أن يوفر ملايين الدولارات في تكاليف الوقود سنويًا. لكن طلب الكهرباء يتشكّل من عوامل متداخلة عديدة: وقت اليوم، يوم الأسبوع، الموسم، الطقس، العطل، والعادات المتغيرة. التقاط كل هذه الأنماط بشكل موثوق صعب، خاصة مع تعقّد أنظمة الطاقة وتزايد تقلبات المناخ.

حدود أدوات التنبؤ الذكية السابقة

حاول الباحثون منذ زمن تحسين هذه التوقعات بنماذج رياضية ومؤخرًا بالتعلّم العميق. تكدّس الأساليب التقليدية مثل الانحدار والشبكات العصبية البسيطة عندما يزيد عدد المدخلات، وغالبًا ما تفشل في التقاط الأنماط الدقيقة أو تتكيف كثيرًا مع بيانات الماضي. لكل الشبكات المتقدمة مزايا وقيود: الشبكات التلافيفية جيدة في كشف الاهتزازات قصيرة الأجل في البيانات لكنها ليست قوية في تتبُّع الاتجاهات طويلة الأمد؛ الشبكات المتكررة مثل LSTM وGRU قادرة على متابعة تسلسلات أطول لكنها بطيئة وأكثر صعوبة في التدريب؛ نماذج Transformer تلتقط علاقات معقدة لكنها تتطلب قدرة حوسبة عالية وقد تصبح غير مستقرة كلما زادت عمقها. حل شائع، يعرف باسم الشبكة الباقية العميقة، يضيف وصلات "اختصارية" تساعد النماذج العميقة جدًا على التعلم دون تعطّل التدريب. ومع ذلك، فقد استخدمت معظم التصاميم السابقة حيل البقايا هذه فقط في طبقات التنبؤ اللاحقة، وليس خلال المراحل المبكرة الحاسمة عندما تُستخرج الميزات الخام لأول مرة.

نموذج من مرحلتين ينظر قريبًا وبعيدًا

يقترح المؤلفون نظام تنبؤ معاد تصميمه يسمّونه شبكة بقايا عميقة مدمجة بالشبكات التلافيفية (CNN‑Embedded Deep Residual Network). في المرحلة الأولى يركز النموذج على التفاصيل المحلية. يمرر تواريخ الأحمال ودرجات الحرارة الأخيرة—من آخر 24 ساعة إلى الأشهر القليلة الماضية—عبر كتل تلافيفية أحادية البعد. تعمل هذه الكتل كنوافذ منزلقة، تمسح السلاسل الزمنية لاكتشاف الأشكال المتكررة: ذروات الصباح، زيادات المساء، انخفاضات عطلات نهاية الأسبوع، أو القفزات المفاجئة المدفوعة بالطقس. خطوة التجميع (pooling) تضغط كل نمط مكتشف إلى ملخص مضغوط، تقلل الضوضاء مع الحفاظ على ما يهم. بالتوازي، تُعالَج معلومات التقويم مثل الموسم ويوم الأسبوع وعلامات العطلات وتُدمج. ثم تقوم أربع وعشرون شبكة فرعية صغيرة، واحدة لكل ساعة من اليوم القادم، بتحويل هذه الميزات المعززة إلى توقع أولي لمدة 24 ساعة.

التنقيح العميق والاختبارات عبر شبكتين مختلفتين جدًا

في المرحلة الثانية يأخذ شبكة بقايا محسّنة هذا التنبؤ الأولي ويصقله. تقوم كتل مكدسة ذات وصلات اختصارية بتعديل القيم الساعية مع الحفاظ على الشكل اليومي العام واقعيًا ومنع توقف عملية التدريب. درّب الفريق وضبط هذه البنية على مجموعتي بيانات من العالم الحقيقي: ISO New England، التي تغطي ست ولايات أمريكية ذات تقلبات موسمية قوية، وماليزيا، حيث يكون استهلاك الكهرباء أكثر استقرارًا تحت مناخ استوائي. قارنوا نموذجهم بمجموعة واسعة من البدائل، بما في ذلك الشبكات التلافيفية البحتة، عدة شبكات متكررة، Transformer، تصميم الشبكة الباقية الأصلي، والنماذج التي أضافت أجزاء تلافيفية أو بقايا بمعزل عن الأخرى. قيّم الأداء بمقاييس خطأ شائعة، خاصة متوسط نسبة الخطأ المطلق، واختبر للمعنوية الإحصائية باستخدام إعادة أخذ عينات Bootstrap مكثفة.

ماذا تقول النتائج عن شبكات أكثر ذكاءً

قدمت الشبكة الباقية العميقة المدمجة بالتلافيف تنبؤات الأكثر دقة باستمرار. في بيانات نيو إنجلاند خفّضت متوسط نسبة الخطأ إلى حوالي 1.53 بالمئة، محققة تحسنًا يصل تقريبًا إلى 11 بالمئة مقارنة بمنافسين أقوياء قائمين على البقايا. في ماليزيا، حيث أنماط الاستهلاك أكثر نعومة ويصعب تحقيق مكاسب، خفّضت الخطأ إلى حوالي 5.06 بالمئة وتفوّقت على جميع النماذج الأخرى. أظهرت الاختبارات الموسمية أن الأسلوب تعامل مع ذروات الربيع والصيف، أحمال التدفئة الشتوية، ومواسم الأمطار والجفاف الاستوائية دون فقدان الدقة. وأكدت الفحوصات الإحصائية أن هذه التحسينات لم تكن نتيجة صدفة. للقراء غير المتخصصين، الخلاصة بسيطة: بدمج "مجهر" للأنماط القصيرة الأمد مع "عمود فقري" يثبّت التعلّم العميق، يوفر هذا النهج لمشغلي الشبكات طريقة أكثر موثوقية لتوقع احتياجات الكهرباء غدًا، مما يوفر المال، ويقلل الهدر، ويدعم التحول نحو أنظمة طاقة أذكى وأنظف.

الاستشهاد: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

الكلمات المفتاحية: التنبؤ بالحمولة قصيرة الأجل, التعلّم العميق, شبكة الكهرباء, الشبكات العصبية التلافيفية, شبكات البقايا