تقييم مقارن لعدة نماذج لتوقع الاستهلاك الكهربائي بالساعة في مصنع فولاذ

لماذا يهم التنبؤ باستهلاك المصنع من الطاقة

تُعد مصانع الفولاذ من أكثر المستخدمين للطاقة الكهربائية على مستوى العالم، وكل ارتفاع مفاجئ في الطلب على الكهرباء ينعكس فوراً على فاتورة الكهرباء الشهرية. إذا استطاع المديرون رصد هذه الزيادات قبل حدوثها حتى لبضع ساعات، فيمكنهم تعديل جداول الإنتاج، وتجنب غرامات شبكة التوزيع المكلفة، وتقليل البصمة الكربونية. تبحث هذه الدراسة في كيفية تفاوت أداء ثلاث أدوات بيانات حديثة عندما تُطرح عليها مسألة تبدو بسيطة لكنها ذات أهمية اقتصادية بالغة: ما مقدار الكهرباء التي سيستهلكها مصنع الفولاذ في الساعة التالية؟

اتباع إيقاع مصنع فولاذ مزدحم

داخل مصنع فولاذ متكامل يرتفع وينخفض استهلاك الكهرباء مع إيقاع الأفران، ومطاويّ التدحرج، وفترات الصيانة. ساعة بساعة، يعكس الطلب تغيرات النوبات، أيام العمل مقابل عطلات نهاية الأسبوع، وتوقيت العمليات ذات الاستهلاك العالي للطاقة مثل التسخين واللف. يستخدم المؤلفون سنة كاملة من بيانات التشغيل الحقيقية من منشأة فولاذية كبيرة في الصين، ما يمنحهم 8,760 نقطة بيانات لكل ساعة تتبع هذه الدورات اليومية والأسبوعية. هدفهم هو تحويل هذا السجل التاريخي إلى أداة توقع قصير الأمد موثوقة يمكن لمديري المصنع استخدامها لتخطيط الإنتاج والتفاوض على عقود كهرباء أفضل.

تنقية البيانات غير المثالية قبل التنبؤ

بيانات المصانع الواقعية فوضوية: تفشل المستشعرات، وتجريئات العدادات خاطئة، وتنتج الظروف التشغيلية المتطرفة نقاط شاذة أحياناً. لذلك، قبل بناء أي نماذج توقعية، ينظف الباحثون البيانات بطريقة حذرة لكنها بسيطة. يحددون أولاً القراءات المشبوهة التي تقع بعيداً خارج النطاق النموذجي للقيم باستخدام قاعدة الثلاث سيغما الإحصائية. وبدلاً من الوثوق بتلك النقاط المتطرفة، يتعاملون معها على أنها مفقودة ويملأون الفجوات برسم خطوط مستقيمة بين القراءات العادية المحيطة على محور الزمن. وأخيراً، يقسمون سنة البيانات المنقحة إلى ثلاث كتل زمنية—واحدة لتدريب النماذج، وواحدة لضبطها دقيقاً، والجزء الأخير من السنة لاختبار مدى أدائها حقاً على ساعات مستقبلية لم تشهدها النماذج.

ثلاث طرق مختلفة للتعلّم من الماضي

على هذا الأساس المشترك، تقارن الدراسة ثلاث محركات توقع تمثيلية. الأول، المسمّى XGBoost، يبني العديد من أشجار القرار الصغيرة التي تتعلّم معاً كيفية ارتباط الأحمال بالساعة السابقة بالقيمة التالية. الاثنان الآخران هما نهجان للتعلّم العميق يتعاملان مع سجل الأحمال كسلسلة زمنية. شبكة الذاكرة قصيرة وطويلة الأمد (LSTM) القياسية تتعلم كيفية تدفق المعلومات من الماضي إلى المستقبل، مخزنة الأنماط في «ذاكرة» داخلية أثناء مسحها الأربع والعشرين ساعة السابقة. ونسختها ثنائية الاتجاه (BiLSTM) تخطو خطوة إضافية: فهي تعالج كل نافذة زمنية مدتها 24 ساعة في كلا الاتجاهين، فتنظر فعلياً إلى كيفية ارتباط الساعات القريبة ليس بما سبق فحسب بل أيضاً بما يلي داخل تلك النافذة. تُطلب من النماذج الثلاثة أن تنظر إلى الوراء طوال اليوم السابق وتتنبأ باستهلاك المصنع للساعة التالية.

أي نموذج يتتبع الصعود والهبوط بأفضل شكل؟

لحكم الأداء، يستخدم المؤلفون مقاييس خطأ قياسية تلتقط كلاً من حجم الخطأ النموذجي ومدى كبر هذا الخطأ مقارنة بالقيمة الحقيقية، وهو أمر مهم بشكل خاص عندما يعمل المصنع بحِمل منخفض. تنجح النماذج الثلاثة في إعادة إنتاج الارتفاع والانخفاض اليومي المألوف لطلب الكهرباء، لكن دقتها تختلف. يقدم نموذج BiLSTM أقل الأخطاء عبر اللوحات، متتبّعاً عن كثب القمم والقيعان الحقيقية في الشهر الأخير من البيانات. يتبع XGBoost الاتجاه العام جيداً وهو متين نسبياً، رغم أنه يميل إلى تفويت الارتفاعات الحادة. يحسن LSTM أحادي الاتجاه قليلاً على XGBoost في بعض مقاييس الخطأ المطلق لكنه يتعثر أكثر عند الأحمال المنخفضة، ما يمنحه خطأً نسبياً أعلى وملاءمة تظهر تأخراً أوضح خلال فترات القمم والقيعان المعينة.

ما الذي يعنيه هذا لمصانع الفولاذ وما بعدها

بالنسبة للقارئ العام، النتيجة الرئيسية بسيطة: عندما يتعلق الأمر بتوقع استهلاك مصنع الفولاذ ساعة بساعة، يتفوق نموذج تعلّم عميق ثنائي الاتجاه يقرأ الماضي القريب في كلا الاتجاهين على كل من طريقة شجرية شهيرة للتعلم الآلي ونموذج الشبكة العصبونية المتكررة الأبسط. يترجم هذا التفوق مباشرة إلى تحكم أفضل في التكاليف وتشغيل أكثر سلاسة، لأن المديرين يمكنهم الوثوق بالتنبؤات التي توجه جداولهم وقرارات الاستجابة للطلب. في الوقت نفسه، تظهر الدراسة أن التنظيف الدقيق لكن غير المعقّد للبيانات وإعداد اختبار عادل وموحَّد لا يقلان أهمية عن اختيار النموذج. ومع أن العمل يركّز على مصنع واحد وسنة واحدة من البيانات، فإنه يشير إلى أن نهجاً مماثلاً قد يساعد العديد من المصانع كثيفة الاستهلاك للطاقة على ترويض فواتيرها الكهربائية وتقليص انبعاثاتها.

الاستشهاد: Gu, F., Zhao, Y. Comparative evaluation of several models for forecasting hourly electricity use in a steel plant. Sci Rep 16, 13123 (2026). https://doi.org/10.1038/s41598-026-43868-z

الكلمات المفتاحية: كهرباء مصنع الفولاذ, توقع الحمل قصير الأمد, التعلّم العميق والطاقة, إدارة الطاقة الصناعية, توقع BiLSTM