نظام تنبؤ بالطلب الكهربائي طويل الأمد للاستثمارات الاستراتيجية في الطاقة

لماذا تهم احتياجات الطاقة غدًا اليوم

الحفاظ على تشغيل الأضواء في العقود القادمة أكثر تعقيدًا من مجرد بناء محطات طاقة إضافية. الطلب على الكهرباء يرتفع عالميًا مع نمو السكان، وتوسع المدن، وتكرار موجات الحرارة. إذا قللت الحكومات من تقدير كمية الطاقة التي سيحتاجها الناس، فإنها تواجه مخاطر انقطاع التيار واستثمارات مهدرة؛ وإذا بالغت في التقدير، فقد تُقيد بنية تحتية مكلفة وغير مستغلة كفاية. تعرض هذه الورقة طريقة جديدة للتطلع إلى هذا المستقبل غير المؤكد عبر مزيج من التعلم الآلي الحديث وإحصاءات وطنية مُختارة بعناية، مع دراسة حالة مفصّلة لمصر كمثال توضيحي.

ربط الحياة اليومية بطلب الطاقة

خلف كل نقرة لمفتاح الإضاءة هناك قوى عديدة: عدد السكان في البلد، مدى ارتفاع الحرارة في الصيف، سرعة نمو الاقتصاد، ومقدار قدرة التوليد المتاحة بالفعل. أدوات التنبؤ التقليدية غالبًا ما تنظر في الغالب إلى استهلاك الكهرباء السابق، وفي أحسن الأحوال إلى عدد قليل من المؤشرات الاقتصادية أو المناخية. هذا المنظور الضيق قد يفوت تحولات مهمة، مثل التوسع الحضري السريع أو تزايد الدين الوطني الذي يؤثر على واردات الوقود. يجادل المؤلفون بأن المخططين الوطنيين بحاجة إلى عدسة أوسع — واحدة تتبع إمداد الكهرباء والمناخ والاقتصاد واتجاهات السكان معًا عبر سنوات عديدة.

بناء محرك تنبؤ من ثلاث مراحل

تقدم الدراسة نظامًا مكوّنًا من ثلاث مراحل مصممًا للتنبؤات طويلة الأجل على مستوى الدول. تبدأ عملية جمع البيانات وتنقيحها: يجمع الفريق سجلات شهرية وسنوية من 2000 إلى 2023 حول قدرة توليد الكهرباء، ودرجات الحرارة، وهطول الأمطار، والرطوبة، والصحة الاقتصادية، وتركيب السكان لمصر. وبما أن هذه المصادر تأتي بفترات زمنية مختلفة وتحتوي أحيانًا على فراغات، يطبق المؤلفون طرق استيفاء مصممة لملء القيم المفقودة وتحويل كل شيء إلى خط زمني شهري موحّد، مع الحفاظ على الأنماط الموسمية الهامة مثل صيف أكثر حرارة. ثم يفحصون سلوك كل متغير عبر الزمن لتحديد ما إذا كانت نماذج السلاسل الزمنية المتخصصة مناسبة.

ترك الخوارزميات تتعلم من الماضي

في المرحلة الثانية، يقارن الباحثون أدوات التنبؤ الإحصائية المألوفة مع نماذج التعلم الآلي الأكثر مرونة. تُستخدم الأساليب الكلاسيكية مثل ARIMA وSARIMAX كمعايير؛ هذه تلتقط الاتجاهات وبعض السلوك الموسمي لكنها تفترض علاقات بسيطة نسبيًا بين المتغيرات. للتعامل مع البيانات المتعددة المتغيرات والأغنى، يلجأ الفريق إلى نهج تعلم عميق يُدعى شبكة الوحدة المتكررة البوابية (GRU)، المناسبة لتعلم الأنماط التي تتكشف على مدى أشهر وسنوات. يقومون بضبط الإعدادات الداخلية للنموذج بشكل منهجي من خلال إطار تحسين ويختبرون عدة أعماق للشبكة، وفي النهاية يجدون أن طبقة GRU مفردة مُعدة جيدًا تحقق أفضل توازن بين الدقة والموثوقية بالنسبة للبيانات المتاحة.

معرفة العوامل الأهم

الدقة الخام ليست كافية إذا لم يتمكن المخططون من فهم ما يقود توقعات النموذج. في المرحلة الثالثة، يستخدم المؤلفون تقنية تفسيرية تعرف باسم SHAP لقياس مدى دفع كل عامل مدخل للتوقعات صعودًا أو هبوطًا. تكشف هذه التحليلات أن السكان — ريفًا وحضرًا — والدخل للفرد هما المحركان الرئيسيان لارتفاع الطلب، مع لعب قدرة توليد الكهرباء والدين الخارجي أدوارًا داعمة مهمة. لا تزال المتغيرات المناخية، وخصوصًا درجات الحرارة القصوى، ذات تأثير، ولكنها على المدى الطويل تساهم أقل من النمو الديموغرافي والاقتصادي. من خلال إزالة المتغيرات الأقل تأثيرًا تدريجيًا وإعادة تقييم الأداء، يحدد المؤلفون مجموعة مبسطة من ثلاثة عشر متغيرًا تقدم توقعات قوية ومستقرة.

ما تعنيه النتائج لتخطيط الطاقة

عبر العديد من تجارب الاختبار، يفسّر نموذج GRU المنقح أكثر من أربعة أخماس التباين في استهلاك الكهرباء بمصر ويحافظ على أخطاء متوسطة لا تتجاوز حوالي 4 بالمئة من الطلب الشهري النموذجي. هذا المستوى من الدقة، إلى جانب وضوح الرؤى حول الروافع الأهم، يجعل النظام مناسبًا لاستكشاف سيناريوهات "ماذا لو" — مثل نمو حضري أسرع، محطات طاقة جديدة، أو تغير مستويات الدين — وتأثيرها على الشبكة. وعلى الرغم من أن دراسة الحالة تركز على مصر، فإن الإطار يعتمد على بيانات تُراقبها معظم الدول وخطوات معالجة شفافة، مما يجعله قابلاً للنقل على نطاق عالمي. جوهريًا، يقدم هذا العمل لصانعي القرار محرك تنبؤ عمليًا وقابلًا للتفسير يربط التغيرات الاجتماعية والاقتصادية اليومية بأنظمة الطاقة التي يجب أن تواكبها.

الاستشهاد: Haggag, M., Abdelhady, K., Guirguis, M. et al. Machine learning long-term electricity demand forecasting system for strategic energy investments. Sci Rep 16, 12471 (2026). https://doi.org/10.1038/s41598-026-45123-x

الكلمات المفتاحية: تنبؤ الطلب على الكهرباء, التخطيط الطاقي, التعلم الآلي, المناخ والطاقة, التوسع الحضري