تقييم مقارن لخوارزميات التحسين القائمة على التدرج للتنبؤ بالأحمال قصيرة الأمد باستخدام الشبكات العميقة المتبقية

لماذا يهم استهلاك الكهرباء غدًا اليوم

في كل مرة نشغل فيها ضوءًا أو نوصّل جهازًا، يجب على شركات الطاقة أن تكون قد أمنت توافر الكهرباء لتلبية هذا الطلب. إن توقع الطلب غدًا قبل ساعات أو يوم واحد يساعد مشغّلي الشبكات على إبقاء الأنوار مضاءة، تجنّب الانقطاعات، وتوفير التكاليف. تستعرض هذه الورقة كيف يمكن لأدوات الذكاء الاصطناعي الحديثة أن تجعل تلك التوقعات القصيرة الأجل أكثر دقة واستقرارًا، وتبيّن أن اختيار طريقة التدريب الذي يغفل عنه كثيرًا قد يكون بنفس أهمية تصميم النموذج نفسه.

مواكبة شبكة كهربائية متغيرة

يرتفع وينخفض الطلب على الكهرباء مع وقت اليوم والموسم والعطلات والطقس. تكافح الطرق الإحصائية التقليدية مع هذه الأنماط المعقدة، لا سيما عندما تتداخل إشارات متعددة. أصبحت نماذج التعلم العميق، التي تكدس طبقات عديدة من الحسابات البسيطة، شائعة لأنها تستطيع تعلم علاقات غير خطية دقيقة. من بين هذه التصاميم، تضيف بنية تُسمى الشبكة العميقة المتبقية وصلات "اختصارية" بين الطبقات، مما يجعل تدريب النماذج العميقة جدًا أسهل وأفضل في التقاط الاعتمادية الطويلة الأمد في بيانات مثل أحمال الكهرباء.

نوعان من النماذج المدركة للطقس

يركز المؤلفون على نموذجين متقاربيْن من الشبكات العميقة المتبقية للتنبؤ بالأحمال قصيرة الأمد. يستخدم الأول استهلاك الكهرباء السابق، ومعلومات الوقت (مثل الساعة ويوم الأسبوع)، ودرجة الحرارة لتوقع الـ 24 ساعة القادمة من الطلب. يضيف النموذج الثاني العديد من متغيرات الطقس لمدينة استوائية، بما في ذلك هطول الأمطار والرياح، لكنه يضغطها إلى مجموعة صغيرة من الإشارات المركبة باستخدام أداة إحصائية معيارية تحتفظ بمعظم التباين وتقلل التكرار. هذا يسمح لصورة الطقس الأكثر ثراءً بأن تُعلِم الشبكة دون أن تجعلها غير عملية أو أصعب في التدريب.

كيف تشكّل خيارات التدريب عملية التعلم

تختار معظم الدراسات التي تستخدم هذه الشبكات العميقة المتبقية لتنبؤات الطاقة طريقة تدريب شهيرة تُسمى Adam وتكتفي بها. ومقصود بطريقة التدريب هنا هو الوصفة الرياضية التي تعدل إعدادات النموذج الداخلية تدريجيًا أثناء تعلمه من البيانات السابقة. تتحدى هذه الورقة تلك العادة من خلال مقارنة منهجية لثلاث عشرة خوارزمية تدريب قائمة على التدرج، بما في ذلك نهوج كلاسيكية والعديد من المتغيرات التكيفية الحديثة، كلها ضمن نفس بنية النموذج. يختبر المؤلفون هذه الخوارزميات على مجموعتي بيانات حقيقيتين: إحداهما من نظام الطاقة المعتدل في نيو إنجلاند بالولايات المتحدة، والأخرى من ماليزيا الاستوائية.

ما الذي نجح في مناخات مختلفة

عبر المنطقتين، تفوقت الطرق التي تضبط خطوات التعلم باستخدام أنماط الخطأ الأخيرة عمومًا على الأساليب الأقدم والأبسط. بالنسبة للنموذج الأصلي الذي يعتمد في المقام الأول على درجة الحرارة كإشارة جوية، أعطى متغير يُدعى AMSGrad أدنى أخطاء تنبؤ وسطى وسلوك تدريب أكثر استقرارًا في كلا المناخين. عندما انتقل المؤلفون إلى نسخة النموذج ذات الطقس المتعدد المضغط، تغير التوازن. في هذا التصميم الجديد للمدخلات، تفوقت طريقة تكيفية أخرى، AdaBelief، وتفوّق Adam أيضًا أداءً. بعبارة أخرى، تغيير طريقة تغليف معلومات الطقس للموديل أعاد تشكيل مشهد التعلم بشكل طفيف وأفضل قواعد تدريب مختلفة.

التحقق من أن التحسّن حقيقي وليس حظًا

للتأكد من أن التحسينات الملحوظة ليست مجرد ضوضاء إحصائية، استخدم المؤلفون تقنية إعادة المعاينة التي تعيد مرارًا تشغيل مهمة التنبؤ على عينات بيانات متغيرة قليلاً. أتاح لهم ذلك تقدير مدى احتمال أن تتفوق طريقة تدريبية واحدة حقًا على أخرى. أظهرت الاختبارات أن بعض المكاسب المرصودة، مثل تفوق AMSGrad على Adam في بيانات نيو إنجلاند وفوائد نهج الطقس المضغوط تحت بعض المحسِّنات في ماليزيا، من غير المرجح أن تكون مجرد صدفة.

ما يعنيه هذا لشبكة الطاقة المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن تحسين توقعات طلب الطاقة لا يقتصر على اختراع شبكات عصبية جديدة أو حشوها بالمزيد من بيانات الطقس. يمكن لطريقة تدريب هذه الشبكات وكيفية تقطير مدخلات الطقس أن تغيّر بشكل جوهري الدقة والاستقرار. من خلال إظهار أن بعض قواعد التدريب التكيفية تحسن الأداء باستمرار، وأن الاختيار الأمثل قد يعتمد على كيفية تمثيل بيانات المدخلات، تقدم هذه الدراسة وصفة أوضح لمخططي الشبكات وممارسي الذكاء الاصطناعي لبناء أدوات توقع أكثر موثوقية تساعد في الحفاظ على أنظمة الكهرباء آمنة واقتصادية.

الاستشهاد: Liu, J., Ahmad, F.A., Samsudin, K. et al. A comparative evaluation of gradient-based optimization algorithms for short-term load forecasting using deep residual networks. Sci Rep 16, 14949 (2026). https://doi.org/10.1038/s41598-026-45829-y

الكلمات المفتاحية: التنبؤ بالأحمال قصيرة الأمد, الشبكات العميقة المتبقية, خوارزميات التحسين, تنبؤات أنظمة الطاقة, مؤشرات الأرصاد الجوية