רשתות שאריות עמוקות עם חילוץ תכונות בקונבולוציה לחיזוי צריכה לטווח הקצר

מדוע השימוש במחשמל מחר חשוב כבר היום

בכל פעם שאנו מפעילים מתג, חברות החשמל חייבות כבר להחזיק את כמות החשמל המתאימה מוכנה. אם יופק מעט מדי, האורות מהבהבים והמפעלים נעצרים; יותר מדי — והם מבזבזים דלק וכסף. מאמר זה בוחן שיטה חדשה של בינה מלאכותית שעוזרת למנהלי רשת לחזות, שעה אחר שעה, כמה חשמל יצרכו אנשים ביום הבא, באזורים אקלימיים שונים — מנא'ו אינגלנד מושלגת ועד מלזיה הטרופית.

האתגר של ניחוש צרכי האנרגיה היומיים שלנו

חיזוי עומס לטווח הקצר הוא המשימה של חיזוי כמה חשמל אזור יצריך משעה הקרובה ועד השבוע הקרוב. תחזיות אלה מנחות החלטות קריטיות, כגון אילו תחנות כוח להפעיל, מתי לתזמן תחזוקה, וכיצד לתכנן סחר באנרגיה. אפילו שיפור זעיר יכול לחסוך סכומים גדולים; עבור רשות גדולה, צמצום שגיאת החיזוי באחוז אחד בלבד יכול לחסוך מליוני דולרים מדי שנה בדלק. אך הביקוש לחשמל מעוצב על ידי גורמים רבים ושזורים: שעת היום, יום השבוע, עונה, מזג אוויר, חגים והרגלים משתנים. ללכוד את כל הדפוסים הללו באופן מהימן קשה במיוחד ככל שמערכות האנרגיה מורכבות יותר והתנאים האקלימיים משתנים.

מגבלות כלים חכמים קודמים

חוקרים ניסו זמן רב לשפר תחזיות אלה עם מודלים מתמטיים ובשנים האחרונות עם למידה עמוקה. גישות מסורתיות כמו רגרסיה ורשתות עצביות פשוטות מתקשות כאשר מספר הקלטים גדל, לעתים נכשלות לזהות דפוסים עדינים או מתאימות יתר לנתונים היסטוריים. רשתות מתקדמות יותר כל אחת בעלת חוזקות וחולשות: רשתות קונבולוציה טובות בזיהוי תזוזות קצרות טווח בנתונים אך פחות בטווח הארוך; רשתות חוזרות כמו LSTM ו‑GRU יכולות לעקוב אחרי רצפים ארוכים יותר אך איטיות וקשות לאימון; מודלים מסוג Transformer לוכדים יחסים מורכבים אך דורשים כוח־מחשב כבד ויכולים להפוך לא不יציבים ככל שהם עמוקים יותר. פשרה פופולרית, המכונה רשת שאריות עמוקה, מוסיפה חיבורי "קיצור" שעוזרים למודלים עמוקים מאוד ללמוד בלי שהאימון יתפרק. עם זאת, רוב העיצובים הקודמים השתמשו בטריקים אלה רק בשכבות החיזוי המאוחרות, ולא בשלבים המוקדמים הקריטיים שבהם תכונות גולמיות נחלצות לראשונה.

מודל דו‑שלבי שמחפש קרוב ורחוק

המחברים מציעים מערכת חיזוי מחדש שנקראת רשת שאריות עמוקה משובצת בקונבולוציה (CNN‑Embedded Deep Residual Network). בשלב הראשון המודל מתמקד בפרטים מקומיים. הוא מזין היסטוריות עומס וטמפרטורה אחרונות — שנעות מהשעות ה‑24 האחרונות ועד מספר חודשים אחורה — דרך בלוקים קונבולוציוניים חד‑ממדיים. בלוקים אלה פועלים כמו חלונות החלקה, סורקים סדרות זמן כדי לזהות צורות חוזרות: שיאי בוקר, התפרצויות ערב, צניחות בסופי שבוע או זינוק פתאומי מונע מזג אוויר. שלב של Pooling מדחס כל דפוס מזוהה לסיכום קומפקטי, מצמצם רעש ושומר על מה שחשוב ביותר. במקביל מעובדת וממוזגת מידע לוח שנה כגון עונה, יום בשבוע ודגלי חגים. עשרים וארבע תת‑רשתות קטנות, אחת לכל שעה של היום הבא, הופכות אז את התכונות המועשרות לחיזוי ראשוני ל‑24 שעות.

עיבוד עמוק ובדיקה על שתי רשתות שונות מאוד

בשני השלבים, רשת שאריות משופרת לוקחת את החיזוי הראשוני ומלטשת אותו. בלוקים מוערמים עם חיבורי קיצור מתאימים את הערכים השעתיים תוך שמירה על הצורה היומית הכוללת ריאליסטית ומניעת עצירת תהליך האימון. הצוות אימן וכיוונן את הארכיטקטורה על שתי קבוצות נתונים מהעולם האמיתי: ISO New England, המכסה שישה מדינות בארצות הברית עם תנודות עונתיות חזקות, ו‑Malaysia, שבה השימוש בחשמל יציב יותר באקלים טרופי. הם השוו את המודל שלהם למגוון רחב של אלטרנטיבות, כולל רשתות קונבולוציוניות טהורות, מספר רשתות חוזרות, Transformer, עיצוב רשת שאריות המקורי וגרסאות שהוסיפו רק חלקי קונבולוציה או שאריות בנפרד. הביצועים נמדדו באמצעות מדדי שגיאה מקובלים, במיוחד שגיאה ממוצעת באחוזים מוחלטים, ונבדקו מבחינה סטטיסטית באמצעות דגימה חוזרת אינטנסיבית בדרך הבוטסטרפ.

מה שהתוצאות אומרות על רשתות חכמות יותר

הרשת המשובצת בקונבולוציה סיפקה באופן עקבי את התחזיות המדויקות ביותר. בנתוני ניו אינגלנד הורידה את השגיאה הממוצעת לאחוזים לכ‑1.53 אחוז, שיפור לעומת מתחרים חזקים מבוססי שאריות בעד כ‑11 אחוזים. במלזיה, שבה הדפוסים חלקים יותר וקשה יותר להשיג רווחים, היא עדיין צמצמה את השגיאה לכ‑5.06 אחוז והקיפה את שאר המודלים. בדיקות עונתיות הראו שהשיטה התמודדה עם שיאי האביב והקיץ, עומסי חימום בחורף, ועונות גשומות ויבשות טרופיות בלי אובדן דיוק. בדיקות סטטיסטיות אישרו ששיפורים אלה אינם תוצאה של מקריות. עבור לא‑מומחים, המסקנה ברורה: על‑ידי שילוב "מיקרוסקופ" לדפוסי קצרי‑טווח עם "עמוד שדרה" שמייצב למידה עמוקה, שיטה זו מציעה למנהלי רשת דרך מהימנה יותר לצפות את צריכת החשמל של מחר, לחסוך כסף, להפחית בזבוז ולתמוך במעבר למערכות חשמל חכמות ונקיות יותר.

ציטוט: Liu, J., Ahmad, F.A., Samsudin, K. et al. Deep residual networks with convolutional feature extraction for short-term load forecasting. Sci Rep 16, 6382 (2026). https://doi.org/10.1038/s41598-026-35410-y

מילות מפתח: חיזוי צריכה לטווח הקצר, למידה עמוקה, מערכת חשמל, רשתות עצביות קונבולוציוניות, רשתות שאריות