توقّعات أسعار الكهرباء باستخدام نماذج ميتا تجميعية ومفسّرات SHAP: نهج مدفوع بمكوّنات التحليل الرئيسي

لماذا يهمك سعر الكهرباء غدًا

في كل مرة تشعل فيها ضوءًا أو توصل حاسوبًا محمولًا بالكهرباء، أنت جزء من سوق كهرباء واسع وسريع الحركة حيث يمكن أن تتغير الأسعار من ساعة إلى أخرى. مع دخول مزيد من مزارع الرياح والطاقة الشمسية إلى الشبكة، أصبحت هذه الأسعار أقل قابلية للتنبؤ—ومع ذلك فإن التوقعات الدقيقة ضرورية للحفاظ على عدالة الفواتير، واستقرار الشبكة، وتحقيق أهداف المناخ. تقدم هذه الدراسة طريقة جديدة للتنبؤ بأسعار الكهرباء ليست أدق فحسب من الطرق التقليدية، بل تشرح أيضًا بلغة واضحة العوامل الحقيقية التي تُحرّك تقلبات السوق.

فهم عالم طاقة مُضطرب

يركز الباحثون على نظام الطاقة في إسبانيا، وهو مثال جيد لشبكة حديثة تتشكل أسعارها بواسطة الطاقات المتجددة ومحطات الغاز والتجارة العابرة للحدود. يجمعون بيانات ربع سنوية على مدار أربع سنوات بمعدل ساعة عن استهلاك الكهرباء، وإنتاج المحطات، وأسعار السوق، والظروف الجوية في أكبر خمس مدن إسبانية. قبل أي توقع، ينظفون هذه البيانات الخام: يملأون القياسات المفقودة، ويزيلون الأخطاء الواضحة، ويُدمجون سجلات الطاقة والطقس في صورة واحدة متسقة. كما يختبرون ما إذا كانت الأسعار والطلب تتبع أنماطًا ثابتة مع الزمن، ويبحثون عن دورات سنوية وموسمية قد تزعج أدوات التنبؤ البسيطة.

دمج «عقول» تنبؤية مختلفة

بدلًا من الاعتماد على نموذج تنبؤي واحد، يبني الفريق «لجنة» صغيرة من أدوات تعلم الآلة الحديثة. تتعامل الطرق المعتمدة على الأشجار مثل XGBoost مع علاقات السبب والنتيجة المعقدة بين العديد من المتغيرات. تُكيَف شبكات الذاكرة طويلة وقصيرة المدى (LSTM) والشبكات الالتفافية—وهي تقنيات تعلم عميق طُورت أصلاً لمعالجة اللغة والصور—لتتبع النتوءات قصيرة الأمد والاتجاهات البطيئة في الأسعار. يثبت أن نموذج هجيني CNN–LSTM بارع بشكل خاص في التقاط القفزات السريعة والدورات الأطول معًا، في حين تنظر الشبكات الأخرى إلى البيانات بطرق مختلفة قليلاً. الخطوة الأساسية هي مرحلة التجميع، حيث تُدمَج مخرجات كل هذه النماذج إما عبر متوسط مرجح ذكي أو عن طريق نموذج ميتا خطي بسيط يتعلم مدى الثقة الواجب منحها لكل «خبير».

تقليل الضوضاء مع الحفاظ على الإشارة

نظرًا لأن أسواق الطاقة الحديثة تولّد مئات المؤشرات المتداخلة، تستخدم الدراسة تحليل المركبات الرئيسية (PCA) لضغط المعلومات إلى عدد أصغر من التركيبات ذات المعنى. هذا يجعل التدريب أسرع ويقلل مخاطر أن تتشبث النماذج بسمات عشوائية في البيانات. وفي الوقت نفسه، يرفض المؤلفون تسوية التعقيدات الواقعية: يحتفظون بقفزات الأسعار والانقطاع الهيكلي، ويعلِّمونها بدلًا من حذفها، حتى يتعلم النظام كيف تتصرف الأسعار في فترات الاضطراب كما في الفترات الهادئة. تحاكي الضبط الدقيق والانقسام الصارم للبيانات حسب الزمن بين مجموعات التدريب والاختبار كيف ستؤدي النماذج لو تم نشرها في غرفة تحكم فعلية للتنبؤ بساعة مقدّمًا.

فتح الصندوق الأسود لمحركات الأسعار

للانتقال من مجرد أرقام الدقة الخام، يلجأ الباحثون إلى طريقة تُدعى SHAP، التي تُفكك كل توقع إلى مساهمات من المدخلات الفردية. يتيح لهم ذلك التحقق مما إذا كان «تفكير» النماذج يتوافق مع كيفية عمل السوق الإسباني فعليًا. يكتشفون أن توقعات سعر اليوم الآتي الرسمية من مشغّل الشبكة، والطلب الفعلي على الكهرباء، والظروف الجوية مثل الحرارة والرياح والأمطار، تهيمن على التوقعات. يدفع الطلب العالي خلال ذروة المساء والفترات الباردة الأسعار إلى الارتفاع، بينما يؤدي الرياح القوية والإنتاج الشمسي في وقت الظهيرة إلى خفض الأسعار—وهو ما يتفق تمامًا مع قواعد السوق وتأثير ترتيب العرض. يُستخدم SHAP أيضًا على مستوى النماذج، كاشفًا أن الهجين CNN–LSTM وXGBoost هما الصوتان الأكثر تأثيرًا داخل التجميعة.

ماذا تعني النتائج للفواتير والشبكة

عند انخفاض الغبار، لا يفوز نموذج واحد بشكل مطلق، لكن نموذج الميتا المجمع يتفوّق بوضوح على الجميع، حيث يخفّض خطأ التنبؤ أكثر من أي نهج فردي ويفعل ذلك بشكل موثوق حتى في فترات التقلب. والأهم من ذلك، يظهر طبقة التفسير أن هذه الدقة لا تأتي من ارتباطات غامضة، بل من أنماط تتوافق مع سلوك اقتصادي وفيزيائي حقيقي في الشبكة الإسبانية. بالنسبة لشركات الطاقة ومشغلي النظام والجهات التنظيمية، يمكن لهذا المزيج من توقعات أكثر حدة ومنطق شفاف أن يدعم تخطيطًا أفضل، وأسواقًا أكثر عدلاً، واندماجًا أسلس للطاقات المتجددة. أما للمستهلكين العاديين، فهي خطوة نحو نظام كهرباء يكون فيه السلوك الخفي خلف فاتورتك أكثر ذكاءً وأسهل في الفهم.

الاستشهاد: Hayati, A., Gharehveran, S.S. & Shirini, K. Electricity price forecasting with ensemble meta-models and SHAP explainers: a PCA-driven approach. Sci Rep 16, 6466 (2026). https://doi.org/10.1038/s41598-026-35839-1

الكلمات المفتاحية: توقّع أسعار الكهرباء, أسواق الطاقة, تعلم الآلة, الطاقة المتجددة, الذكاء الاصطناعي القابل للتفسير