مستقبل توقع الطلب على الطاقة: ذكاء هجين نيورومورفي-أكسولوتل يحدث ثورة في عمليات الشبكة من خلال إتقان البيانات المفقودة المستوحى من الأحياء

إبقاء الأضواء مضاءة في عالم صاخب

تعتمد شبكات الكهرباء لدينا بشكل متزايد على توقعات دقيقة لكمية الكهرباء التي ستستهلكها المنازل والمصانع ومراكز البيانات والمركبات الكهربائية خلال الساعات والأيام المقبلة. ومع ذلك، فإن البيانات التي تُبنى عليها هذه التوقعات مليئة بالثغرات والأعطال الناتجة عن حساسات معطلة، وأحوال جوية سيئة، ومشكلات في الاتصالات. تقدم هذه الورقة مزيجًا غير مألوف من أفكار من المنطق، وبيولوجيا السمندل، وسلوك الرئيسيات يؤدي معًا إلى طريقة جديدة لإصلاح البيانات التالفة وشحذ توقعات الطلب على الكهرباء بدرجة كبيرة.

لماذا تهدد الأرقام المفقودة الشبكة

تدير أنظمة الكهرباء الحديثة ألواحًا شمسية على الأسطح، ومزارع رياح، وشحن المركبات الكهربائية، ومراكز بيانات تستهلك طاقة كبيرة. لموازنة العرض والطلب بأمان وبأقل تكلفة، يعتمد مشغلو الشبكات على تيارات من القياسات: درجات الحرارة، مستويات الإشعاع الشمسي، وتدفقات الطاقة في مناطق مختلفة. في الواقع، كثير من هذه الأرقام لا تصل ببساطة. تفشل الحساسات، وتنقطع روابط الاتصال، وقد تقطع العواصف أجزاء كاملة من الشبكة. إذا تم إطعام نماذج التنبؤ بسلاسل زمنية معطوبة «كما هي»، تتزايد أخطاؤها، ويضطر المشغلون للاحتفاظ بطاقة احتياطية إضافية جاهزة، ما يزيد التكاليف والانبعاثات.

طريقة جديدة للتعامل مع البيانات غير المؤكدة

تعامل معظم الطرق الحالية لملء القيم المفقودة الأرقام باعتبارها إما معروفة أو مجهولة وتحاول تخمين الفراغات بالنظر إلى القيم المجاورة. بدلاً من ذلك، يستخدم المؤلفون وصفًا ثلاثي الأجزاء لكل نقطة بيانات: مدى احتمال أن تكون صحيحة، مدى عدم اليقين بشأنها، ومدى احتمال أن تكون خاطئة. تسمح هذه المقاربة، المستمدة من فكرة رياضية تسمى المجموعات النيوتروسوفية، للنظام بتمثيل الحساسات الصاخبة والقيم الشاذة المشكوك فيها والقراءات الموثوقة بجانب بعضها البعض. ثم تتدفق هذه الدرجات الثلاث عبر نموذج على طريقة ماركوف يتتبع كيف تتطور اليقين واللايقين عبر الزمن على منحنى استهلاك الطاقة.

اقتراض حيل الإصلاح من سمندل غير عادي

لاستعادة مقاطع مفقودة من استهلاك الطاقة فعليًا، تستلهم الإطار أفكارًا من الأكسولوتل، وهو سمندل يشتهر بإعادة نمو الأطراف المفقودة. في النموذج، تتصرف المقاطع المفقودة من البيانات مثل نسيج تالف. يفحص وحدة تجديدية الأنماط المحلية والدورات الموسمية والمؤشرات السياقية مثل الحرارة ووقت اليوم، ثم «ينمّي» قيمًا محتملة داخل الفجوات. تعمل على مقاييس زمنية متعددة في آن واحد: تفاصيل دقيقة لانقطاعات قصيرة واتجاهات أوسع لعطل أطول. ومع الوقت، «يتذكر» نظام التجديد أيضًا أي استراتيجيات الإصلاح عملت بشكل أفضل في مواقف مماثلة، فيتحسن أداؤه مع مشاهدة مزيد من البيانات.

ترك القرود الافتراضية لتنظيم المعلومات

حتى بعد إصلاح القيم المفقودة، يمكن أن تُربك نماذج التنبؤ بتداخل إشارات كثيرة. للتعامل مع ذلك، يقدم المؤلفون خوارزمية تحسين جديدة مستلهمة من سلوك القرود العُرْيَة (البالغ يوَكاري) الإقليمي والاجتماعي. في سياق الشبكة، تمثل كل «إقليم» مجموعة مرشحة من الميزات، مثل متغيرات الطقس المعينة أو مناطق محددة. تتوسع هذه الأقاليم وتنكمش وتتنافس على الموارد، بينما تساعد التفاعلات الاجتماعية سكان المرشحين على استكشاف تركيبات عديدة. يركز هذا العملية تدريجيًا على مجموعة مدمجة من الميزات التي تعطي أفضل التنبؤات مع عدم إضاعة قدرة الحوسبة.

من الرياضيات المعقدة إلى مكاسب عملية للشبكة

عندما تم اختبار النظام الهجين الكامل على سبع مجموعات بيانات كبيرة من العالم الواقعي — من الأسر إلى المصانع، والشبكات المصغرة، وشحن المركبات الكهربائية — تفوق باستمرار على نطاق واسع من التقنيات التقليدية والحديثة. أدى إصلاح البيانات المفقودة واختيار الميزات معًا إلى زيادة في دقة التنبؤ بنحو 31% وانخفاض في خطأ إعادة البناء بنحو 24% تقريبًا، حتى عندما كانت نسبة البيانات المفقودة تصل إلى 40%. انتقلت النهج جيدًا إلى مناطق وأنواع شبكات جديدة مع تدريب إضافي طفيف وعملت بسرعة كافية لأجهزة الحافة في المحطات الفرعية. للمختص العادي، الخلاصة أن هذا «المُعالج» المستوحى من الأحياء للبيانات التالفة يمكن أن يساعد الشبكات على العمل أقرب إلى الحدود بثقة أكبر، ودمج المزيد من المتجددة والأحمال الكهربائية الجديدة مع تقليل الهدر والتكلفة ومخاطر الفشل.

الاستشهاد: Alhag, S.K., Elbaz, M., Moghanm, F.S. et al. The future of power forecasting: neuromorphic-axolotl hybrid intelligence revolutionizing grid operations through bio-inspired missing data mastery. Sci Rep 16, 11655 (2026). https://doi.org/10.1038/s41598-026-46498-7

الكلمات المفتاحية: التنبؤ بطلب الطاقة, البيانات المفقودة, الشبكة الذكية, خوارزميات مستوحاة من الأحياء, دمج مصادر الطاقة المتجددة