نماذج هجينة قابلة للتطبيق تجمع بين المعرفة والبيانات لتنبؤ أحمال التبريد لليوم التالي في ظل ندرة البيانات: دراسة حالة والتحقق من الأداء

لماذا يهم التنبؤ بتبريد المباني

مع نمو المدن وتكرار موجات الحر، تعتمد مباني المكاتب الكبيرة بشكل كبير على التكييف. معرفة طلب التبريد ليوم غد مسبقًا يساعد مشغلي المباني على شراء الكهرباء بحكمة، وتشغيل وحدات التبريد بكفاءة، ودعم شبكة كهرباء تستقبل المزيد من الطاقة الشمسية والرياح. ومع ذلك، فإن أحدث المباني وأكثرها كفاءة غالبًا ما يكون لديها بيانات قليلة جدًا من الأشهر الأولى لتشغيلها، مما يجعل من الصعب على أدوات الذكاء الاصطناعي القياسية التنبؤ باحتياجاتها من التبريد بشكل موثوق.

تحدي قلة البيانات

تعامل العديد من أدوات التنبؤ الحالية المبنى كصندوق أسود. تُدخَل بيانات الاستهلاك السابقة والطقس والجداول الزمنية، ويترك لخوارزمية التعلم البحث عن أنماط. تعمل هذه النماذج الجائعة للبيانات جيدًا عندما تتوفر سنوات من السجلات عالية الجودة. لكن في مبنى جديد أو مُجدَّد حديثًا، يوجد تاريخ قصير فقط. في ظل هذه الظروف، تميل النماذج المعتمدة كليًا على البيانات إلى التمسك بشواذ البيانات المحدودة، وتفشل في التقاط القفزات المفاجئة في الطلب، وتعطي تنبؤات تتقلب بشكل كبير من يوم لآخر. وهذا مضر بشكل خاص للتخطيط ليومٍ تالي، حين يتوجب على المشغلين جدولة معدات التبريد والتعامل مع سوق الكهرباء قبل 24 ساعة كاملة.

مزج فيزياء بسيطة مع التعلم الحديث

تقدم الدراسة طريقًا وسطًا عمليًا بين محاكيات الفيزياء التفصيلية والتنقيب الخالص عن البيانات. بدل محاولة نمذجة كل مصدر حرارة في المبنى، يركز المؤلفون على مساهمتين يمكن حسابهما من معلومات تتوفر لمعظم المباني: الحرارة القادمة مع الهواء الخارجي الطازج والحرارة التي تتسرب عبر الجدران والنوافذ. باستخدام صيغ أساسية لنقل الحرارة، يحولون توقعات الطقس وخصائص الزجاج وجداول التهوية إلى تقديرات تقريبية ومعقولة فيزيائيًا لهذه الأحمال. لا تحل هذه التقديرات محل قياسات الطلب على التبريد، لكنها تُضاف كمدخلات إضافية توجه نموذج تعلم عميق يجمع بين طبقات تلافيفية ومتكررة.

اختبار الفكرة الهجينة في برج مكتبي حقيقي

جُرِّب النهج على مبنى مكاتب مكون من 23 طابقًا في هانغتشو، الصين، بواجهة زجاجية حديثة ونظام تبريد مركزي. استخدم الباحثون موسم تبريد واحدًا من بيانات كل ساعة، نحو 4300 ساعة إجمالًا، ثم قيدوا بشكل مصطنع مقدار التاريخ الذي يمكن لكل نموذج رؤيته أثناء التدريب. في بعض الاختبارات، تعلّمت النماذج من 10 في المئة فقط من البيانات، ما يعادل أكثر قليلاً من أسبوعين من السجلات. عبر أربعة إصدارات من المتنبئ، استخدم ثلاثة منها أحمال الهواء الطازج أو أحمال الجدران والنوافذ المبنية على الفيزياء كإشارات إرشادية، بينما اعتمد الرابع كليًا على بيانات التبريد والطقس السابقة. حاولت جميع النماذج التنبؤ بتوزيع التبريد لليوم التالي ساعة بساعة.

تنبؤات أكثر دقة واستقرارًا

عندما كانت بيانات التدريب شحيحة، كانت الفوارق بين الأساليب واضحة. مع توفر 10 في المئة فقط من البيانات، غالبًا ما أخفق النموذج المعتمد كليًا على البيانات في التقاط الارتفاع الحاد في التبريد صباحًا مع وصول العاملين، وقلل من تقدير ذروة الحرارة بعد الظهر. تفاوتت أخطاؤه بشكل كبير اعتمادًا على الأيام المستخدمة للتدريب. بالمقابل، تابعت النسخ الثلاثة الهجينة توقيت وارتفاع الذروات بشكل أوثق وظهرت أخطاءها بتشتت أقل بكثير. في المتوسط، قلّصت النماذج الهجينة خطأ التنبؤ النموذجي بحوالي النصف وقلّلت نطاق الأخطاء تقريبًا بمقدار رتبة من الحجم مقارنةً بالخط الأساس. قدم التنوع الأبسط، الذي استخدم فقط حمل الهواء الطازج كمعلومة إضافية، توازنًا جذابًا بين الدقة والثبات وسهولة الإعداد.

ماذا يعني هذا للمباني الحقيقية

لملّاك المباني ومديري الطاقة، الرسالة الرئيسية هي أن القليل من الفيزياء يقطع شوطًا طويلًا. من خلال إدماج تقديرات بسيطة وسهلة الحساب لكيفية إسهام الهواء الطازج وغلاف المبنى في احتياجات التبريد داخل نموذج تعلم، يصبح من الممكن الحصول على تنبؤات يومية مفيدة حتى خلال الأشهر الأولى للتشغيل، حين تكون البيانات التاريخية ما تزال قليلة. تُظهر الدراسة أن هذا النهج الهجين بين المعرفة والبيانات يمكنه كبح فرط التخصيص، والحفاظ على تكاليف تدريب متواضعة، وتقديم إرشاد موثوق لجدولة وحدات التبريد والتخزين. بعبارات بسيطة، يساعد الجمع بين البصيرة الهندسية الأساسية والأدوات الحديثة للبيانات المباني على البقاء مريحة، وتقليل الهدر، والتعاون بسلاسة أكبر مع شبكة كهرباء متغيرة.

الاستشهاد: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

الكلمات المفتاحية: تنبؤ أحمال التبريد, طاقة المباني, النمذجة الهجينة, ندرة البيانات, التعلم العميق