نموذج هجين لاختيار الميزات الأمثل وConv-LSTM (OFSCL) للتنبؤ قصير الأمد بالطلب على الطاقة في محطات التوزيع بأحواز، إيران

المحافظة على الإضاءة في مدينة حارة

عندما تضرب موجة حر، تعمل مكيفات الهواء عبر المدينة وقد يرتفع حمل الشبكة الكهربائية خلال دقائق. إذا أخطأ مشغلو الشبكة في تقدير كمية الكهرباء المطلوبة، فقد تتعرض الأحياء لانقطاع التيار أو لهدر نتيجة توفير فائض غير ضروري. تركز هذه الورقة على محطة توزيع فعلية في مدينة أحواز الحارة والرطبة جنوب غرب إيران وتطرح سؤالاً بسيطاً له تبعات كبيرة: هل يمكننا التنبؤ، ساعةً بساعة، بكمية الطاقة التي يجب أن توفرها تلك المحطة، باستخدام بيانات الطلب والطقس الماضية بذكاء أكبر من ذي قبل؟

لماذا تهم التوقعات القصيرة الأمد للطاقة

لا يمكن تخزين الكهرباء بسهولة على نطاق واسع، لذا يجب أن يواكب العرض الطلب عن كثب. عند محطات التوزيع، التي تخفض الجهد العالي للمنازل والأعمال، يكون هذا التوازن حساساً بشكل خاص. يتغير الطلب مع وقت اليوم، يوم الأسبوع، الموسم، والطقس، لا سيما درجة الحرارة والرطوبة. أدوات التنبؤ التقليدية—كالمعادلات الإحصائية البسيطة—تفترض غالباً اتجاهات سلسة وأنماط بسيطة. في الواقع، يكون استهلاك الكهرباء في مدينة حارة مثل أحواز ضجيجياً وغير خطي ومتأثراً بقفزات مفاجئة في استخدام التكييف. يمكن أن تؤدي التوقعات الضعيفة إلى تحميل المحولات فوق طاقتها، تقصير عمر المعدات، وإجبار المشغلين على إدارة الشبكة بحذر وبكفاءة أقل.

من المعادلات البسيطة إلى الآلات القادرة على التعلم

خلال العقد الأخير، جرب الباحثون طرقاً أكثر تطوراً، من نماذج تعلم الآلة الكلاسيكية مثل أشجار القرار والشبكات العصبية إلى أنظمة التعلم العميق التي تتألق في بيانات السلاسل الزمنية، مثل شبكات الذاكرة طويلة القصيرة الأمد (LSTM) والشبكات العصبية الالتفافية (CNN). تستطيع هذه النماذج الحديثة التقاط إيقاعات أطول ومدلولات دقيقة تفوتها الأساليب الأقدم. ومع ذلك فإنها لا تزال تواجه تحديين كبيرين. أولاً، قد تُغذى بعشرات المتغيرات—ساعات، أيام، عطلات، سرعة الرياح، نقطة الندى، الضغط، والمزيد—وكثير منها يضيف ضجيجاً بدلاً من معلومات مفيدة. ثانياً، قد تجد صعوبة في الاستفادة المتزامنة من التقلبات اللحظية والتحولات الموسمية الأبطأ. والنتيجة أن الدقة على بيانات حقيقية ومشوشة غالباً ما تقل عن حاجات مشغلي الشبكات.

نموذج هجين يتعلم ما يهم حقاً

يقترح المؤلفون هندسة تعلم عميق هجينة جديدة تسمى نموذج اختيار الميزات الأمثل Conv-LSTM (OFSCL). يجمع بين قوتين: طبقات التفاف (convolution) تقوم بتصفية العديد من متغيرات الإدخال والتركيز تلقائياً على الأنماط الأكثر معلوماتية، وطبقات LSTM التي تتبع كيفية تطور تلك الأنماط عبر الزمن. في OFSCL، الجزء الالتفافي يقلل تدريجياً كمية المعلومات التي يمررها إلى الأمام، مصفياً التكرار مع الحفاظ على الإشارات الرئيسة. ثم يتعلم جزء LSTM كيف تتغير هذه الإشارات المكررة ساعةً بعد ساعة ويومًا بعد يوم. أخيراً، تحول الطبقات الكثيفة هذا التمثيل المضغوط إلى توقع واحد: كمية الطاقة التي ستحتاجها المحطة في الخطوة الزمنية التالية.

اختبار النموذج على محطة فعلية

لمعرفة ما إذا كان OFSCL يعمل عملياً، جمع الفريق سنة واحدة من البيانات بالساعة من محطة توزيع في أحواز، إلى جانب سجلات طقس محلية مفصلة تغطي حر الصيف الشديد وكذلك المواسم الأبرد. قارنوا OFSCL بطيف من البدائل، بما في ذلك أشجار القرار، أقرب الجيران k، المستشعرات متعددة الطبقات (MLP)، نماذج LSTM وCNN النقية، وعدة هجينات متقدمة مثل CNN-LSTM وLSTM مع آلية الانتباه. استخدمت جميع النماذج نفس مجموعات التدريب والاختبار، وقيم الأداء قيس بكيفية تطابق التوقعات مع الاستهلاك الفعلي للطاقة. حقق نموذج OFSCL معامل تحديد (R²) يقارب 90 بالمئة وأدنى مقاييس خطأ، مع وقت تدريب أقل من العديد من نهج التعلم العميق الأخرى. أكدت الاختبارات المتكررة عبر طيات بيانات مختلفة أن هذه المكاسب كانت متسقة وليست محض صدفة.

ما الذي يتعلمه النموذج عن الطقس والطلب

بعيداً عن الدقة، رغب المؤلفون في فهم أي المدخلات اعتمد عليها النموذج أكثر. باستخدام تحليل حساسية قائم على التدرج، قاسوا مدى تأثير التغييرات الصغيرة في كل ميزة على التنبؤ. برزت درجة حرارة الهواء كالعامل المهيمن، تلتها شهر السنة والرطوبة النسبية، ما يعكس كيف تتصاعد الحاجة للتبريد مع الحرارة والظروف الموسمية. في المقابل، لعب كون اليوم يوم عمل أم عطلة دورًا أصغر بكثير لهذه المحطة بالذات. أظهر التحليل أيضاً أن حساسية النموذج للتقلبات الطفيفة تقل مع توافر مزيد من البيانات، حيث يثبت على أنماط مستقرة بدلاً من المبالغة في الاستجابة للضجيج.

جلب توقعات أكثر ذكاءً إلى الشبكة

بالمعنى العملي، تظهر الدراسة أن نظام تعلم مصمم بعناية يمكنه ليس فقط توقع كمية الكهرباء التي ستحتاجها محطة مزدحمة في الساعات القليلة المقبلة، بل أيضاً شرح جوانب المناخ المحلي الأكثر تأثيراً. من خلال ترشيح مدخلاته تلقائياً والتقاط كل من التقلبات السريعة والاتجاهات الأطول أمداً، يتفوق نموذج OFSCL على طيف من الطرق القائمة مع بقائه سريعاً بما يكفي للاستخدام في الوقت الحقيقي. إذا ما امتدَّ واختُبر عبر مناطق ومحطات توزيع أكثر، فقد تساعد مثل هذه النماذج المرافق على التشغيل بقرب الحافة—مما يحافظ على تزويد الطاقة بثبات، يقلل الهدر، ويجهز المدن بشكل أفضل لمستقبل أشد حرارة وأكثر استهلاكاً للطاقة.

الاستشهاد: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

الكلمات المفتاحية: التنبؤ بالطلب على الطاقة, التعلم العميق, شبكات الكهرباء, الطقس واستهلاك الكهرباء, التنبؤ بالسلاسل الزمنية