تعتبر التوقعات الدقيقة للحمل الكهربائي القصير الأجل حجر الزاوية لاستقرار الشبكة الكهربائية في الولايات المتحدة. ومع ذلك، فإن النماذج السائدة في مجال التعلم العميق (Deep Learning) تظل غير واضحة، مما يحد من ثقة المشغلين خلال الظروف الجوية القاسية. لذلك، تم اقتراح إطار عمل موحد ومفسر مستند إلى الفيزياء، يجمع بين تقنيتي الشبكة العصبية التلافيفية (Convolutional Neural Network) لنمذجة الخصائص المحلية، و(Transformer) لنمذجة الاعتماد على المدى الطويل.
الابتكارات والتطبيقات
يتضمن الإطار عملية دمج مدروسة تجمع بين فرعي النموذج، مما يضمن تحقيق نتائج أكثر دقة. كما أنه يعتمد على خسارة مستندة إلى الفيزياء ومشتقة من العلاقة بين درجة الحرارة والطلب. من خلال استخدام بيانات الحمل من شبكة كهرباء تكساس (ERCOT) على مدار ثماني سنوات (2018-2025) وكذلك سجلات نظام المراقبة الآلية للسطح (Automated Surface Observing System) من ثلاث محطات في تكساس، حقق الإطار دقة ملحوظة، حيث سجل متوسط الخطأ المطلق (MAE) قدره 713 ميغاوات.
نتائج مثيرة
للأحداث القصوى، انخفض متوسط النسبة المئوية للخطأ (MAPE) بنسبة 20.7% مقارنة بفرع الـ(Transformer) وبنسبة 40.5% مقارنة بفرع الـ(CNN). كما أكدت التحليلات أن القيود المعتمدة على الشكل والتدرج قد أدت إلى تقليص الخطأ الجذري (RMSE) بنسبة 14.7%.
التغيرات في العوامل المؤثرة
يكشف التحليل باستخدام خاصية SHAP (SHapley Additive exPlanations) عن تحول كبير في نظام العوامل المؤثرة: حيث تسود درجة الحرارة أثناء العمل الطبيعي، بينما تلعب سرعة الرياح وهطول الأمطار دوراً أكبر أثناء العواصف الباردة وموجات الحر.
**ما رأيك في الاستخدامات المحتملة لهذا الإطار المبتكر في تحسين موثوقية الشبكات الكهربائية حول العالم؟**