نهج جديد قائم على التعلم التعزيزي لتوقع الحمل والأسعار قصير الأمد في أسواق الطاقة

لماذا يهم التنبؤ باستهلاك الكهرباء غدًا

في كل مرة تبدّل فيها مفتاح الضوء، تعمل شبكة واسعة من محطات الطاقة والأسواق والحواسب خلف الكواليس للحفاظ على توفر الكهرباء بأسعار معقولة. إذا تمكن مشغلو الشبكة من التنبؤ بدقة بكمية الطاقة التي سيستهلكها الناس وباتجاه تحرك الأسعار خلال الساعات القادمة، يمكنهم تجنب الانقطاعات وتقليل الهدر وتوفير المال للجميع. يستعرض هذا المقال طريقة جديدة لصنع تلك التنبؤات قصيرة الأجل باستخدام تقنيات طُورت أصلاً لتعلّم لعب الألعاب والتحكم في الروبوتات.

توقعات أذكى في عالم طاقة متغير

يمكن أن يتقلب الطلب على الكهرباء والأسعار بشكل كبير من ساعة إلى أخرى. موجات الحر، البرودة الشديدة، العطلات، وتكاليف الوقود جميعها تدفع النظام في اتجاهات مختلفة. أدوات التنبؤ التقليدية، مثل خطوط الاتجاه البسيطة أو حتى نماذج التعلم الآلي القياسية، تتعامل في كثير من الأحيان مع المشكلة باعتبارها ملاءمة أحادية المسار للبيانات الماضية. تكافح هذه النماذج عندما تتغير الظروف بسرعة أو عندما تتفاعل عوامل متعددة بطرق معقدة. يجادل المؤلفون بأن شبكات الطاقة الحديثة، خاصة تلك التي تشهد زيادة في حصص الطاقة المتجددة، بحاجة إلى أدوات تنبؤ يمكنها التكيف فورًا والتعلم مباشرة من نجاحاتها وأخطائها.

وكيل يتعلم في سوق الطاقة

أعاد الباحثون صياغة مهمة التنبؤ على أنها لعبة اتخاذ قرار. في كل ساعة، يرى «وكيل» حاسوبي الحالة الحالية: الطلب الأخير على الطاقة، الأسعار الماضية، درجة الحرارة، الرطوبة، يوم الأسبوع، العطلات، وتكاليف الوقود. ثم يختار إجراءً: أفضل تقدير لديه لطلب وسعر الكهرباء في الساعة التالية. بعد وصول القيم الحقيقية، يحصل الوكيل على درجة تعتمد على مدى خطئه—تُعاقب الأخطاء الكبيرة وتُكافأ الأخطاء الصغيرة. مع مرور الوقت، يبحث النظام عن استراتيجية تعظم درجته على المدى الطويل، وليس فقط دقة خطوة واحدة. وللتعامل مع العديد من المدخلات، استخدم المؤلفون بنية تعلم تعزيزي عميق مبنية على شبكة Q العميقة، وهي نوع من الشبكات العصبية التي تقدّر مدى جودة كل إجراء ممكن في كل حالة.

من البيانات الخام إلى تنبؤات موثوقة

لاختبار نهجهم استعان الفريق ببيانات واقعية من PJM Interconnection، وهو سوق طاقة رئيسي في الولايات المتحدة يغطي أجزاء من الغرب الأوسط والساحل الشرقي. استخدموا نحو ثلاث سنوات من السجلات بالساعة (2021–2023)، بما في ذلك أسعار السوق، طلب الكهرباء، ملاحظات الطقس، ومؤشرات أسعار الوقود. قبل التدريب، نَقّوا البيانات، وملأوا القيم المفقودة النادرة، وأزالوا المتباينات الشاذة، وقاموا بتحجيم كل شيء إلى نطاقات قابلة للمقارنة. كما استخدموا تقنيات إحصائية لضغط مجموعة المدخلات الكبيرة مع الاحتفاظ بمعظم التباين المفيد. ثم تم تدريب الوكيل المتعلم من خلال مرور متكرر على هذه السجلات التاريخية، حيث انتقل تدريجيًا من التجربة والخطأ العشوائي إلى استغلال الأنماط التي اكتشفها.

مدى أداء الوكيل المتعلم

عند مقارنته بطرق تنبؤ مستخدمة على نطاق واسع — بما في ذلك ARIMA (نموذج تقليدي للسلاسل الزمنية)، شبكات LSTM العصبية، وخوارزمية XGBoost الشعبية — تفوق نظام التعلم التعزيزي. على بيانات اختبار لم يسبق للنموذج رؤيتها، خفّضت الأخطاء النسبية المتوسطة في الطلب والسعر بنحو 15–20 في المئة مقارنة بهذه النماذج الأساسية. تعقبت التنبؤات بدقة دورات النهار الشتوية والصيفية وتابعت تقلبات الأسعار العامة، رغم أن النموذج لا يزال يواجه صعوبة مع أقوى الارتفاعات الحادة النادرة في الأسعار وسلوك العطلات غير الاعتيادي. أظهر تحليل الاستراتيجية المتعلمة أن الوكيل اكتشف ضمنيًا نمطًا ذا مبرر اقتصادي: بعد ملاحظة أسعار مرتفعة جدًا، كان يميل إلى توقع انخفاض طفيف في الطلب بالساعة التالية، مُحاكيًا استجابة الطلب الواقعية دون أن يُعلَّم ذلك صراحة.

ما يعنيه هذا لاستخدام الطاقة اليومي

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن هذا النهج القائم على التعلم يمكن أن يساعد مشغلي الشبكات على إدارة أنظمة الطاقة بسلاسة وبتكلفة أقل. تسمح التنبؤات القصيرة الأمد الأكثر دقة للمولدين ومشغلي السوق بجدولة المحطات بكفاءة أكبر، ودمج المصادر المتجددة مع مفاجآت أقل، وتقليل مخاطر القفزات المفاجئة في الأسعار أو النقص. وعلى الرغم من أن الطريقة تتطلب الكثير من البيانات ومعالجات حسابية كبيرة ولا تزال بحاجة إلى تحسين للأحداث القصوى، فإنها تشير إلى مستقبل تُوجَّه فيه أسواق الكهرباء بأدوات تكيفية تتحسن ذاتيًا وتتعلم باستمرار من السلوك المتغير للمستهلكين والطقس وتكاليف الوقود.

الاستشهاد: Wu, Y., Ma, Y. & Aliev, H. A novel reinforcement learning-based approach for short-term load and price forecasting in energy markets. Sci Rep 16, 5141 (2026). https://doi.org/10.1038/s41598-026-37366-5

الكلمات المفتاحية: تنبؤ الشبكة الذكية, تنبؤ أسعار الكهرباء, التعلم التعزيزي, تنبؤ الطلب على الطاقة, شبكة Q العميقة