מודל היברידי לבחירת תכונות אופטימלית ו-Conv-LSTM (OFSCL) לחיזוי קצר-טווח של ביקוש אנרגיה בתת-תחנות חלוקה באחواز, איראן

שומרים על האורות בעיר חמה

כשמכה חום מתרחשת, מזגנים נדלקים ברחבי העיר והעומס על רשת החשמל יכול לזנק בתוך דקות. אם מפעילי הרשת מנחשים שגוי את כמות החשמל שתידרש, השכונות עלולות לסבול מהפסקות חשמל או מספק מיותר ומבוזבז. מאמר זה מתמקד בתת-תחנה אמיתית בעיר החמה והלחה אחוואז בדרום-מערב איראן ושואל שאלה פשוטה עם מהמרים גבוהים: האם אפשר לחזות, שעה אחרי שעה, כמה כוח תת-התחנה הזאת צריכה לספק, תוך שימוש חכם יותר בנתוני ביקוש וקירבה?

מדוע חיזויי כוח קצרי-טווח חשובים

חשמל קשה לאחסון בקנה מידה גדול, ולכן ההיצע חייב להתאים באופן הדוק לביקוש. בתת-תחנות חלוקה, המורידות את המתח לחיבורי בתים ועסקים, האיזון הזה רגיש במיוחד. הביקוש משתנה עם שעת היום, יום השבוע, העונה והמצב המטאורולוגי, ובייחוד טמפרטורה ולחות. כלים מסורתיים לחיזוי — כמו נוסחאות סטטיסטיות בסיסיות — מניחים לעתים מגמות חלקות ודפוסים פשוטים. במציאות, השימוש בחשמל בעיר חמה כמו אחוואז רעשני, לא-ליניארי ומושפע מקפיצות פתאומיות בשימוש במיזוג אוויר. חיזויים לקויים עלולים להעמיס על שנאים, לקצר את חיי הציוד ולחייב מפעילים לפעול בשמרנות ופחות ביעילות.

מנוסחות פשוטות למכונות לומדות

בעשור האחרון, חוקרים ניסו שיטות מתוחכמות יותר: ממודלים קלאסיים של למידת מכונה כגון עצי החלטה ורשתות עצביות ועד מערכות למידה עמוקה שמצטיינות בסדרות זמן, כמו רשתות זיכרון לטווח ארוך (LSTM) ורשתות עצביות קונבולוציוניות (CNN). מודלים חדשים אלה מסוגלים לזהות מקצבים לטווח ארוך ודפוסים עדינים שהשיטות הישנות מפספסות. עם זאת הם עדיין מתמודדים עם שני אתגרים מרכזיים. ראשית, הם יכולים לקבל עשרות משתנים קלט — שעות, ימי השבוע, חגים, מהירות רוח, נקודת טל, לחץ ועוד — שרבים מהם מוסיפים רעש במקום מידע מועיל. שנית, מתקשה לנצל בו-זמנית תנודות רגעיות ושינויים עונתיים איטיים יותר. התוצאה היא שדיוק על נתונים אמיתיים ומסורבלים לעתים אינו מספיק עבור צורכי מפעילי הרשת.

מודל היברידי שלומד מה באמת חשוב

המחברים מציעים ארכיטקטורת למידה עמוקה היברידית חדשה הנקראת מודל בחירת תכונות אופטימלית Conv-LSTM (OFSCL). הוא משלב שתי חוזקות: שכבות קונבולוציה שממסננות מבין המשתנים הרבים ומתרכזות אוטומטית בתבניות המידע הממירות, ושכבות LSTM שמנטרות איך תבניות אלה מתפתחות בזמן. ב-OFSCL, החלק הקונבולוציוני מצמצם בהדרגה את כמות המידע המועברת קדימה, מסנן חזרתיות תוך שמירה על אותות מרכזיים. חלק ה-LSTM לומד כיצד אותות ממוקדים אלה משתנים משעה לשעה ומיום ליום. לבסוף, שכבות צפופות ממירות ייצוג קומפקטי זה לחיזוי יחיד: כמה אנרגיה תת-התחנה תזדקק בצעד הזמן הבא.

בדיקת המודל על תת-תחנה אמיתית

כדי לבדוק האם OFSCL עובד בפועל, הצוות אסף שנת נתונים של נתוני שעה-בשעה מתת-תחנת חלוקה באחוואז, יחד עם רישומי מזג אוויר מקומיים מפורטים המכסים חום קיצוני בקיץ וכן עונות קרירות יותר. הם השוו את OFSCL לטווח רחב של אלטרנטיבות, כולל עצי החלטה, k-השכנים הקרובים, פרספטרון רב-שכבתי, מודלים טהורים של LSTM ו-CNN וכמה היברידים מתקדמים כגון CNN-LSTM ו-LSTM עם מנגנון תשומת-לב. כל המודלים השתמשו באותם מערכי אימון ובדיקה, והביצועים נמדדו על פי התאמת הניבויים לשימוש האנרגיה בפועל. מודל OFSCL השיג R² של כ-90 אחוז ואת שגיאות הנמוכות ביותר, תוך אימון בזמן קצר יותר מאשר רבות מהשיטות האחרות בלמידה העמוקה. בדיקות חוזרות על קיפולי נתונים שונים אישרו שהשיפורים הללו היו עקביים ולא מזל אקראי.

מה המודל לומד על מזג האוויר והביקוש

מעבר לדיוק, המחברים רצו להבין על אילו קלטים המודל נשען ביותר. באמצעות ניתוח רגישות מבוסס גרדיאנט הם מדדו עד כמה שינויים קטנים בכל תכונה משפיעים על החיזוי. טמפרטורת האוויר התבררה כגורם הדומיננטי, אחריה חודש השנה והלחות היחסית — מה שמשקף כיצד צורכי הקירור מזנקים עם החום והתנאים העונתיים. לעומת זאת, האם יום הוא יום עבודה או חג שיחק תפקיד קטן יותר עבור תת-התחנה המסוימת הזאת. הניתוח גם הראה שהמודל נהיה פחות רגיש לתנודות זעירות ככל שהוא רואה יותר נתונים, ונע על דפוסים יציבים במקום להגיב יתר על המידה לרעש.

להביא חיזויים חכמים יותר לרשת

במונחים יומיומיים, המחקר מראה שמערכת למידה שנבנית בקפידה יכולה לא רק לחזות כמה חשמל תת-תחנה עסוקה תצטרך בשעות הקרובות, אלא גם להסביר אילו היבטים של האקלים המקומי חשובים ביותר. על-ידי סינון קלטיה באופן אוטומטי ותפיסת תנודות מהירות לצד מגמות ארוכות יותר, מודל OFSCL מתעלה על מגוון שיטות קיימות ובו זמנית מהיר מספיק לשימוש בזמן אמת. אם יורחב וייבדק באיזורים ותת-תחנות נוספים, מודלים כאלה יכולים לסייע לחברות חשמל לפעול קרוב יותר לקצה—להבטיח אספקה אמינה, לצמצם בזבוז ולהכין ערים לעתיד חם ותובעני יותר מבחינת אנרגיה.

ציטוט: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

מילות מפתח: חיזוי ביקוש אנרגיה, למידה עמוקה, רשתות חשמל, מזג אוויר ושימוש בחשמל, חיזוי סדרות זמן