تنبؤ استهلاك الكهرباء باستخدام إطار تعلم عميق مكاني-زمني متقدم

لماذا تهم التوقعات الأذكى للطاقة

في كل مرة تشغّل فيها ضوءًا أو توصل جهازًا محمولًا بالكهرباء، يكون مشغّلو شبكة الطاقة قد خمّنوا مسبقًا مقدار الكهرباء التي ستحتاجها أنت وملايين الآخرين. إذا قلّلت التقديرات، قد تليها انقطاعات أو ارتفاعات في الأسعار؛ وإذا بالغت في التقدير، ستبقى محطات طاقة مكلفة دون استغلال. تبحث هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يجعل هذه التخمينات أكثر دقة، مما يساعد على إبقاء الأضواء مضاءة مع تقليل الهدر والتكلفة.

تحدي التنبؤ بالاحتياجات اليومية من الطاقة

يرتفع وينخفض الطلب على الكهرباء عبر اليوم والأسبوع والسنة، متأثرًا بجداول العمل والطقس والعطلات والأحداث غير المتوقعة. هذه الأنماط ليست بسيطة أو سلسة: قد يُغيّر ظهيرة ساخنة أو عاصفة مفاجئة أو تحويل في ساعات العمل المنحنى بطرق مختلفة. أدوات التنبؤ التقليدية تكافح مع هذا المزيج من الدورات المنتظمة والمفاجآت، خصوصًا عندما يجب عليها قراءة إشارات عديدة في وقت واحد مثل الطلب السابق والمعلومات التقويمية وسياقات أخرى.

النظر إلى الطلب في البُعدين المكاني والزمني

يجادل المؤلفون بأن نوعين من الأنماط مهمان. الأول هو العلاقات بين الإشارات الداخلة المختلفة في لحظة زمنية واحدة، مثل كيف تتغير درجة الحرارة ووقت اليوم والطلب الأخير معًا. يسمون هذه العلاقات مكانيّة، لكن هنا "مكاني" يعني الروابط بين الخصائص، وليس الجغرافيا. والثاني هو التغيرات عبر الزمن، مثل الارتفاع الصباحي في الاستخدام أو الانخفاض في عطلة نهاية الأسبوع. معظم النماذج القديمة تنظر بشكل أساسي إلى البعد الزمني وتتعامَل مع جميع الإشارات الداخلة بطريقة بسيطة، فتفوت بنية مفيدة في كيفية تفاعل هذه الإشارات.

نموذج تعلم عميق من مرحلتين

لمعالجة ذلك، تقدم الدراسة نموذج تعلم عميق يُدعى الشبكة المرمزة المكانية-الزمنية من نوع GRU، أو ST GRU. يعمل على مرحلتين. في المرحلة الأولى، تنظر شبكة خاصة فقط عبر الإشارات الداخلة المختلفة في كل خطوة زمنية مدتها 15 دقيقة، لتتعلم كيف ترتبط وتضغط هذه الإشارات إلى لقطة مدمجة. في المرحلة الثانية، تأخذ شبكة أخرى تسلسل هذه اللقطات وتتعلم كيف يتطور الطلب على مدى ساعات وأيام. بفصل هذين الدورين، يمكن للنموذج إيلاء اهتمام دقيق لكل من علاقات الخصائص والتوقيت، بدلًا من دمج كل شيء في عملية واحدة.

اختبار النماذج المتقدمة

لم يقترح الباحثون نموذجًا جديدًا فحسب؛ بل واجهه بمجموعة واسعة من المنافسين. باستخدام مجموعتي بيانات عامتين لقياس الاستهلاك كل 15 دقيقة، قارنوا الشبكات التكرارية القياسية، والنماذج المعتمدة على الانتباه، وشبكات الالتفاف الزمنية، وتصاميم المعتمِدات على المحول (Transformer). دُربت جميع النماذج وضُبّطت بعناية على مجموعة بيانات واحدة ثم اختُبرت على بيانات محجوزة من نفس المصدر وعلى مجموعة بيانات ثانية مستقلة، محاكاةً لكيفية مواجهة أداة التنبؤ لظروف جديدة في عمليات الشبكة الحقيقية.

ماذا تكشف النتائج

عبر معظم مقاييس الخطأ والدقة، قدمت ST GRU أدق التوقعات. خفضت خطأ التنبؤ بعدة نقاط مئوية مقارنةً بنموذج GRU القياسي وبنحو ربع مقارنةً بنموذج LSTM شائع على مجموعة البيانات الرئيسية. كما صمدت جيدًا عند تعرّضها لبيانات جديدة وقياسات بها ضوضاء وفجوات مضافة اصطناعيًا، ما يشير إلى أن تصميمها ذي المرحلتين يجعلها أكثر متانة تجاه شذوذات ومشكلات الإشارات الواقعية. بعض المنافسين، مثل LSTM ثنائي الاتجاه المحسّن، والمحولات، وشبكات الالتفاف الزمنية، قدموا أداءً قويًا لكنهم مع ذلك لم يصلوا في المتوسط إلى مستوى ST GRU.

ماذا يعني هذا في الحياة اليومية

بالنسبة لغير المختصين، الرسالة الأساسية هي أن ذكاءً اصطناعيًا أذكى ومبنيًا بهندسة مدروسة يمكن أن يجعل توقعات طلب الكهرباء أكثر موثوقية. من خلال تعلم كيف ترتبط الإشارات المختلفة في كل لحظة ثم كيف تتغير تلك العلاقات عبر الزمن، يتتبع نموذج ST GRU تقلبات استهلاك الطاقة بشكل أفضل. عمليًا، قد يساعد ذلك مشغلي الشبكات على جدولة محطات الطاقة بكفاءة أكبر، ودمج طاقة متجددة أكثر، والاستجابة بسلاسة أكبر للتغيرات المفاجئة في الطلب، مع تقليل الهدر وتحسين استقرار نظام الكهرباء الذي تعتمد عليه المنازل والشركات.

الاستشهاد: A. Palan, V., N., S. Electricity consumption prediction using an advanced spatial-temporal deep learning framework. Sci Rep 16, 15425 (2026). https://doi.org/10.1038/s41598-026-46825-y

الكلمات المفتاحية: تنبؤ طلب الكهرباء, التعلم العميق, سلاسل زمنية, أنظمة الطاقة, الشبكة الذكية