حساسية حجم الدُفعة المصغّرة في الشبكات العميقة المتبقية لتنبؤ الحمولة قصيرة الأمد: دراسة تجريبية

لماذا تهم هذه الأبحاث مستخدمي الكهرباء اليوميين

الحفاظ على استمرار التيار وبسعر معقول يعتمد على مدى قدرة شركات الطاقة على تقدير طلب الكهرباء ليوم غد. تركز هذه الدراسة على خيار تدريبي بسيط مفاجئ داخل نماذج الذكاء الاصطناعي الحديثة التي تتنبأ بالطلب: كم عدد الأمثلة التي تُعرض على النموذج دفعة واحدة. من خلال اختبار هذا "حجم الدُفعة المصغّرة" بعناية، يُظهر المؤلفون أن ضبط هذه التفاصيل يمكن أن يجعل التوقعات أكثر دقة واعتمادية عبر مناخات متباينة للغاية.

كيف يُتنبأ بالطلب على الطاقة اليوم

يتغير طلب الكهرباء مع ساعة اليوم والموسم والطقس، وحتى مكاسب صغيرة في دقة التنبؤ يمكن أن توفر لمرافق الطاقة الكبرى ملايين الدولارات سنويًا. اعتمدت طرق التنبؤ الأقدم على معادلات إحصائية كانت تواجه صعوبات مع أنماط الاستهلاك المعقّدة الحالية. تتعامل نماذج التعلم العميق الأحدث مع السلوك غير الخطي والفوضوي بشكل أفضل لكنها قد تكون صعبة التدريب. على وجه الخصوص، أصبحت الشبكات العميقة المتبقية، التي تمرّر المعلومات للأمام عبر مسارات اختصارية، شائعة لتنبؤات الحمل قصيرة الأمد لأنها تستطيع تعلم أنماط عميقة دون أن تصبح غير مستقرة.

شبكتان، مناخان، سؤال واحد

لفهم كيف تؤثر اختيارات التدريب على هذه النماذج، يدرس المؤلفون نظامي طاقة حقيقيين. أحدهما في نيو إنجلاند بالولايات المتحدة، حيث تتباين الفصول بشدّة بسبب تدفئة الشتاء وتبريد الصيف. والآخر في ماليزيا الاستوائية، حيث المواسم أقل وضوحًا وتهمّ النوبات القصيرة للطقس وهطول الأمطار أكثر. بالنسبة لنيو إنجلاند استخدموا شبكة متبقية تأخذ الأحمال والحرارة الماضية. بالنسبة لماليزيا اختبروا هذه النموذج وأيضًا نسخة تضغط قياسات جوية عديدة إلى مجموعة صغيرة من الميزات المجمعة باستخدام تقنية رياضية، مما يقلّل التكرار مع الاحتفاظ بمعظم معلومات المناخ المفيدة.

ما الذي يتحكم فيه حجم الدُفعة المصغّرة فعليًا

يعني تدريب نموذج تعلم عميق تعديل ملايين الإعدادات الداخلية لتقليل الفجوة بين التنبؤ والطلب الفعلي. حجم الدُفعة المصغّرة هو عدد نقاط الزمن التي يراها النموذج قبل كل تعديل. الدُفعات الصغيرة تجعل التحديثات ضوضائية وعشوائية، مما يمكن أن يساعد النموذج على الاستكشاف لكنه يجعل التدريب متقلبًا. الدُفعات الكبيرة جدًا تعطي تحديثات أكثر سلاسة لكنها قد تدفع النموذج نحو حلول تناسب بيانات التدريب بشدّة وتعمّم بشكل سيئ. السؤال الرئيسي هو ما إذا كان هناك نقطة وسطى مناسبة لهذه الشبكات المتبقية المستخدمة في توقعات الطاقة، وهل تلك النقطة نفسها في مناخات مختلفة ومع مدخلات جوية أغنى.

ما كشفت عنه التجارب

في إعداد محكم غيّر فيه المؤلفون حجم الدُفعة المصغّرة فقط، جرّبوا قيمًا من صغيرة جدًا إلى كبيرة جدًا. على نظامي نيو إنجلاند وماليزيا، وجدوا أن الدُفعات متوسطة الحجم أعطت أفضل التنبؤات. عمليًا، كان حجم الدُفعة 64 يُنتج أخطاءً أدنى باستمرار، مع 32 قريبًا منه. جعلت الدُفعات الأصغر التدريب أقل استقرارًا ودقّة، بينما سبّبت الدُفعات الأكبر تدهورًا متزايدًا في الأداء. عند مقارنة شبكاتهم المتبقية بتصاميم تعلم عميق شعبية أخرى قائمة على الالتفافات، والوحدات التكرارية، والانتباه، أو مزيج منها، تفوّقت النماذج المتبقية. النسخة التي جمعت قياسات جوية متعددة في ملخّص مضغوط أعطت أفضل أداء في الحالة الاستوائية.

كيف تحقق المؤلفون من نتائجهم

للتأكد من أن هذه الأنماط لم تكن نتيجة حظ، استخدمت الدراسة تقنية إعادة العينة المسماة bootstrap. تعيد هذه الطريقة حساب فروق الأداء مرارًا باستخدام نسخ مُعَدّلة من الأخطاء لابتِ estimate مدى احتمال أن تكون التحسينات المرصودة حدثت بالصدفة. أظهر التحليل أن المكاسب من استخدام حجم دُفعة 64 بدلًا من 32 كانت ذات دلالة إحصائية، وأن النموذج المضغوط للطقس تفوّق باستمرار وبشكل موثوق على الشبكة المتبقية الأساسية تحت نفس شروط التدريب.

ماذا يعني هذا لتخطيط الطاقة

لغير المتخصصين، الرسالة الأساسية هي أن اختيارات تدريبية تبدو هامشية داخل نماذج الذكاء الاصطناعي يمكن أن تغيّر بشكل ملحوظ مدى قدرتنا على توقع طلب الكهرباء غدًا. تُظهر هذه الدراسة أنه بالنسبة للشبكات العميقة المتبقية المستخدمة في تنبؤ الحمولة قصيرة الأمد، توفر أحجام الدُفعات المتوسطة توازنًا جيدًا بين استقرار التعلم ومرونته، وأن تغذية النموذج بمعلومات جوية مضغوطة جيدًا يمكن أن تُحسّن التنبؤات أكثر. هذه الرؤى تقدم إرشادات عملية للمرافق والمهندسين الراغبين في بناء شبكات أكثر ذكاءً وكفاءة دون الحاجة لإعادة تصميم نماذجهم من الصفر.

الاستشهاد: Liu, J., Ahmad, F.A., Samsudin, K. et al. Mini-batch size sensitivity in deep residual networks for short-term load forecasting: an empirical study. Sci Rep 16, 14996 (2026). https://doi.org/10.1038/s41598-026-45002-5

الكلمات المفتاحية: تنبؤ الحمولة قصيرة الأمد, الشبكات العميقة المتبقية, حجم الدُفعة المصغّرة, الطلب على الكهرباء, بيانات الطقس