في ظل التحولات العالمية نحو نظام طاقة محايد مناخيًا، أصبح من الضروري تحقيق توقعات دقيقة لسلاسل الزمن الطاقية (Energy Time Series). ومع ذلك، لا تزال هذه المهمة تعتمد بشكل كبير على البيانات المحددة، مما يحد من قابلية التوسع ويزيد من جهد تطوير وصيانة النماذج.
مؤخراً، أظهرت النماذج الأساسية (Foundation Models) التي تهدف إلى تعلم أنماط قابلة للتعميم من خلال التدريب المسبق المكثف أداءً متفوقًا في العديد من مهام التنبؤ. وبرغم نجاحها الكبير وإمكاناتها القوية لحل التحديات المتعلقة بتوقعات الطاقة، لا تزال تطبيقاتها في هذا المجال غير مستكشفة إلى حد كبير.
اليوم، نحن في صدد تجاوز هذا الفجوة من خلال تقديم معيار FETS للنماذج الأساسية في توقعات الطاقة الزمنية. يهدف هذا المعيار إلى:
1. **توفير لمحة منظمة** عن حالات استخدام توقعات الطاقة عبر ثلاثة أبعاد رئيسية: المعنيون، الخصائص، وفئات البيانات.
2. **جمع وتحليل 54 مجموعة بيانات** عبر 9 فئات من البيانات، بناءً على اهتمامات الأطراف المعنية.
3. **تقييم أداء النماذج الأساسية** بالمقارنة مع طرق التعلم الآلي التقليدية عبر إعدادات توقعية متعددة.
تظهر النتائج أن النماذج الأساسية تتفوق باستمرار على الطرق التقليدية حتى عند تدريب الأخيرة على البيانات التاريخية الكاملة. وبشكل خاص، تحقق النماذج الأساسية المدعومة بعوامل مؤثرة (Covariate-informed) أقوى أداء.
تشير التحليلات الإضافية إلى وجود ارتباط قوي بين الأداء التنبؤي وانتروبيا الطيف، وتشبع الأداء بعد طول سياق معين، وتحسن الأداء على مستويات تجميع أعلى مثل الأحمال الوطنية وبيانات الشبكات الكهربائية.
بشكل عام، تسلط دراستنا الضوء على الإمكانات الكبيرة للنماذج الأساسية كحلول قابلة للتوسع والتعميم في توقعات الطاقة، خاصة في بيئات البيانات المحدودة والحساسة للخصوصية.