نموذج توقع أسعار تجارة عناصر بيانات الطاقة الكهربائية قائم على خوارزمية Resnet-BiLSTM المحسّنة مع تقسيم VMD شبكي

لماذا يهمك سعر الكهرباء غداً

سواء كنت تُدير مصنعًا أو تدير مزرعة رياح أو تدفع فاتورة منزلية، فإن سعر الكهرباء يؤثر على الحياة اليومية والتخطيط طويل الأمد. مع ازدياد تدفق طاقة الرياح والشمس إلى الشبكات الحديثة، تتقلب الأسعار بشكل أكثر حدة وأقل قابلية للتنبؤ مما كان عليه في الماضي. تعرض هذه الدراسة طريقة جديدة للتنبؤ بأسعار الكهرباء ليوم تالي بدقة وموثوقية أكبر، مما يساعد مشغلي السوق والمنتجين والمستهلكين على اتخاذ قرارات أذكى في نظام طاقة أنظف لكنه أكثر تقلبًا.

الطاقة من الشمس والرياح، والأفعوانية السعرية الجديدة

يركّز المؤلفون على نظام طاقة حقيقي في نيو ساوث ويلز بأستراليا، حيث تزود الطاقة الشمسية والرياح حصة كبيرة من الكهرباء وتُسهم خطان ناقلان عاليان السعة في تلطيف الاختلالات. وبما أن الكهرباء يجب أن تُنتَج في اللحظة التي تُستهلك فيها، يمكن أن تُحدث السحب المفاجئة أو هدوء الرياح أو ارتفاعات الطلب طفرات في الأسعار أو انهياراتها خلال دقائق. الأدوات الإحصائية التقليدية ونماذج التعلم الآلي الأساسية تُعاني في التعامل مع هذا النوع من السلوك الصاخب وغير الخطي جداً. فإما أن تفوت الأنماط طويلة الأمد مثل الدورات اليومية والموسمية، أو تفشل في مواكبة القفزات السريعة قصيرة الأمد. تسأل الورقة كيف يمكن تصميم نظام تنبؤ قادر على رؤية كل من الاتجاهات العامة والاهتزازات الدقيقة في بيانات السعر.

تفكيك إشارة فوضوية إلى قطع أوضح

الخطوة الأولى في المنهج المقترح هي فصل الحركات المتداخلة لإشارة السعر بشكل نظيف. يستخدم الباحثون تقنية تُدعى تفكيك الوضع المتفاوت (variational mode decomposition) لتقسيم سلسلة الأسعار الأصلية إلى عدد من المكونات الأبسط، كل منها يمثل إيقاعًا مختلفًا للتغير — من التقلبات البطيئة عبر المواسم إلى القمم السريعة الناتجة عن أحداث مفاجئة. ثم يقومون بضبط هذا التفكيك بواسطة إحصائية تقيس مدى ارتباط كل مكوّن بعوامل مُحرِّكة معروفة مثل الطلب والطقس. من خلال البحث عبر إعدادات محتملة واختيار تلك التي تعظم مقياس التبعية المتبادلة هذا، يضمنون أن كل مكوّن مستخرج يحمل معلومات حقيقية عن كيفية ولماذا تتحرك الأسعار، بدلاً من الضوضاء العشوائية.

تعليم شبكة عميقة للتركيز على ما يهم

بعد أن تُقشَّر سلسلة الأسعار إلى عدة طبقات أنقى، يُدخِل المؤلفون هذه الطبقات إلى هيكل تعلم عميق يجمع بين فكرتين قويتين. تستخدم شبكة الانكماش الباقي (residual shrinkage) سلسلة من مرشحات الالتفاف الصغيرة وحدود قابلة للضبط لتسليط الضوء على الأنماط المفيدة ودفع التقلبات غير المفيدة نحو الصفر. هذا يولّد «خريطة ميزات» مضغوطة تحافظ على الإشارات الرئيسية بينما تتخلص من كثير من الفوضى، مما يحسّن عملية التعلّم ويقلّل العبء الحسابي. ثم تُمرَّر هذه الميزات المكررة إلى شبكة تكرارية ثنائية الاتجاه تقرأ السلاسل الزمنية للأمام وللخلف. من خلال النظر في سياق الماضي والمستقبل داخل بيانات التدريب، تستطيع هذه الشبكة التقاط كيفية تراكم التغيرات في الأسعار وتلاشيها عبر الزمن بشكل أفضل.

اختبار النموذج في العالم الحقيقي

يدرّب الفريق نموذجهم ويصحّحه على بيانات الأسعار الأسترالية نصف الساعة لمدّة خمس سنوات، مستخدمين 2020–2022 للتدريب، و2023 للضبط، و2024 للاختبار. يتعاملون بعناية مع القيم المفقودة والشواذ ويقارنون نهجهم بعدة منافسين متقدمين، بما في ذلك هُجَينات أخرى تجمع بين التفكيك والتعلم العميق ونموذج قائم على تقنيات التوليد. عبر مقاييس الخطأ المعيارية، يخفّض النموذج الجديد أخطاء التنبؤ إلى جزء من أخطاء الطرق المنافسة؛ على سبيل المثال، متوسط نسبة الخطأ السنوية أقل بكثير من 1% بينما تكون لدى الباقين قيم أعلى بعدة أضعاف. يحافظ على هذه الأفضلية عبر جميع الفصول الأربعة، وخلال أكثر الأيام اضطرابًا «حالات الأسوأ»، وتحت ضوضاء اصطناعية مضافة، وحتى عند تطبيقه على منطقة أسترالية أخرى دون إعادة تدريب، مما يدلّ على متانة وقدرة تعميم قوية.

من تنبؤات أفضل إلى أسواق أكثر استقرارًا

لغير المتخصصين، الرسالة الأساسية أن الرياضيات الأذكى والتعلم الآلي يمكن أن يحوّلا بيانات الأسعار الفوضوية إلى صورة أوضح وأكثر قابلية للتنبؤ. من خلال فصل الاتجاهات طويلة الأجل عن القفزات قصيرة الأجل أولاً، ثم استخدام بنية تعلم عميق مُصمّمة للتركيز على الأنماط الأكثر إفادة، يقدم النموذج تنبؤات يومية دقيقة جدًا ومستقرة لأسعار الكهرباء. هذا المستوى من الدقة يمكن أن يدعم تقديم مزايدات أكثر عدالة، واستثمارات أكثر ثقة في المتجددة، وإدارة مخاطر أفضل لكل من الجهات الكبيرة والمستهلكين اليوميين. ومع امتصاص الشبكات حول العالم لكمية أكبر من طاقة الرياح والشمس المتغيرة، قد تصبح مثل هذه النهج أدوات أساسية للحفاظ على كفاءة وموثوقية أسواق الكهرباء.

الاستشهاد: Zheng, Y., Huang, K.Q., Liu, J. et al. Electric power data element trading price prediction model based on improved grid VMD Resnet-BiLSTM algorithm. Sci Rep 16, 13720 (2026). https://doi.org/10.1038/s41598-026-40245-8

الكلمات المفتاحية: تنبؤ أسعار الكهرباء, دمج الطاقة المتجددة, التعلم العميق, تفكيك السلاسل الزمنية, استقرار سوق الطاقة