Clear Sky Science · he

מודל חיזוי מחיר מסחר של מרכיב נתוני חשמל המבוסס על אלגוריתם משופר Grid VMD Resnet-BiLSTM

· חזרה לאינדקס

מדוע מחיר החשמל מחר חשוב לך

בין אם אתה מנהל מפעל, מפעיל חוות רוח, או פשוט משלם חשבון ביתי — מחיר החשמל מעצב את החיים היומיומיים ואת התכנון לטווח הארוך. ככל שיותר אנרגיית רוח ושמש זורמות לרשתות המודרניות, המחירים נעים בחדות ובאי־ודאות רבה יותר מאשר בעבר. מחקר זה מציג שיטה חדשה לחיזוי מחירי חשמל ליום שלמחרת באופן מדויק ואמין יותר, שעוזרת למנהלי שווקים, יצרנים וצרכנים לקבל החלטות חכמות יותר במערכת אנרגיה נקייה אך תנודתית יותר.

Figure 1
Figure 1.

חשמל מהשמש ומהרוח, ומה שמייצר רכבת הרים במחירים

המחברים מתמקדים במערכת חשמל אמיתית בניו סאות' ויילס, אוסטרליה, שבה שמש ורוח מספקות חלק גדול מהחשמל ושתי קווי העברה בעלי קיבולת גבוהה מסייעים להחליק חוסר איזון. מכיוון שחשמל חייב להישאב ברגע השימוש, עננים פתאומיים, רוחות רדומות או קפיצות בביקוש יכולים לשלוח את המחירים לשיאים או לירידות תוך דקות. כלים סטטיסטיים מסורתיים ומודלים פשוטים של למידת מכונה נאבקים בהתנהגות רועשת ולא־ליניארית מסוג זה. הם או מפספסים דפוסים ארוכי טווח, כגון מחזורי יום ועמעול, או נכשלו להתעדכן בקפיצות קצרות ומהירות. המאמר שואל כיצד לעצב מערכת חיזוי שיכולה לראות גם את הטרנדים הרחבים וגם את הזעזועים הדקים בנתוני המחיר.

לפרק אות מסובך לחלקים ברורים יותר

הצעד הראשון בשיטה המוצעת הוא להפריד באופן נקי את התנועות הסבוכות של אות המחיר. החוקרים משתמשים בטכניקה הנקראת פירוק מצבי ואריאציוני (variational mode decomposition) כדי לפצל את סדרת המחירים המקורית למספר רכיבים פשוטים יותר, שכל אחד מייצג קצב שינוי שונה — מתנודות איטיות בעונות ועד קפיצות מהירות הנגרמות על ידי אירועים פתאומיים. לאחר מכן הם מכוונים את הפירוק באמצעות סטטיסטיקה שמודדת עד כמה כל רכיב קשור לגורמי הנהיגה הידועים, כגון ביקוש ומזג אוויר. על ידי חיפוש בין הגדרות אפשריות ובחירה באלה שממקסמות מדד התלות המשתלבת הזה, הם מבטיחים שכל רכיב שנשלף יכיל מידע ממשי על האופן והסיבה לתנועת המחירים, ולא רעש אקראי.

Figure 2
Figure 2.

להורות לרשת עמוקה להתמקד במה שחשוב

לאחר שסדרת המחירים הותקפה לשכבות נקיות יותר, המחברים מזינים את השכבות הללו למבנה של למידה עמוקה שמשלב שתי רעיונות עוצמתיים. רשת shrinkage שאריתית (residual shrinkage network) משתמשת בסדרת מסנני קונבולוציה קטנים וספי התאמה ניתנים לכוונון כדי להבליט דפוסים אינפורמטיביים ולדחוק תנודות לא מועילות לאפס. זה מייצר "מפת מאפיינים" מדודה שמשמרת אותות מרכזיים תוך השלכת רוב העומס המיותר, מה שמשפר את הלמידה ומצמצם את המשאבים המחשוביים. המאפיינים המופחמים האלו מועברים אז לרשת חוזרת בכיווניות כפולה (bidirectional recurrent network) שקוראת את סדרת הזמן קדימה ואחורה. על ידי צפייה גם בהקשר העברי וגם בהקשר העתידי במסגרת נתוני האימון, הרשת מצליחה ללכוד טוב יותר כיצד שינויי מחירים מתגבשים ונרגעים לאורך זמן.

בדיקת המודל בשטח

הצוות מאמן ומאמת את המודל שלו על חמישה שנות נתוני מחירים חצי־שעתיים מאוסטרליה, כאשר 2020–2022 משמשים לאימון, 2023 לכיוונון ו־2024 למבחן. הם מטפלים בזהירות בערכי חסר ובחריגים ומשווים את הגישה שלהם עם מספר מתחרים מתקדמים, כולל היברידים אחרים של פירוק ולמידה עמוקה ומודל המבוסס על טכניקות גנרטיביות. במדדי שגיאה סטנדרטיים, המודל החדש מצמצם את שגיאות החיזוי לשבר מהמקרים של שיטות מתחרות; לדוגמה, שגיאת האחוז הממוצעת שלו על־פני השנה נמוכה בהרבה מ־1%, בעוד שאחרות גבוהות בכמה מונים. הוא שומר על יתרון זה בכל ארבע העונות, בימים הסוערים ביותר בתרחישי "הגרוע ביותר", תחת הוספת רעש מלאכותי, ואפילו כאשר מוחל על אזור אוסטרלי נוסף מבלי לאמן מחדש — עובדות המצביעות על חסינות גבוהה ויכולת הכללה חזקה.

מחיזויים טובים יותר לשווקים יציבים יותר

ללא־מומחים, המסר המרכזי הוא שמתמטיקה וחינוך מכונה חכמים יכולים להפוך נתוני מחיר כאוטיים לתמונה ברורה וניתנת לחיזוי. על ידי הפרדה תחילה של מגמות ארוכות־טווח מזעזועים קצרי־טווח ואז שימוש בארכיטקטורת למידה עמוקה מותאמת שמתרכזת בדפוסים המעניינים ביותר, המודל מספק חיזויי מחיר יום־הקודם מדויקים ויציבים מאוד. רמת הדיוק הזו יכולה לתמוך בהגשה הוגנת של הצעות מחיר, בהשקעה בטוחה יותר באנרגיות מתחדשות ובניהול סיכונים משופר הן לשחקנים גדולים והן לצרכנים היומיומיים. ככל שהרשתות ברחבי העולם סופגות יותר כוח רוח ושמש משתנה, גישות מסוג זה עלולות להפוך לכלים חיוניים לשמירה על יעילות ואמינות שוקי החשמל.

ציטוט: Zheng, Y., Huang, K.Q., Liu, J. et al. Electric power data element trading price prediction model based on improved grid VMD Resnet-BiLSTM algorithm. Sci Rep 16, 13720 (2026). https://doi.org/10.1038/s41598-026-40245-8

מילות מפתח: חיזוי מחיר חשמל, שילוב אנרגיה מתחדשת, למידה עמוקה, פירוק סדרות זמן, יציבות שוק האנרגיה