Adaptive Online Learning with LSTM Networks for Energy Price Prediction
تقدم هذه الورقة إطار عمل للتعلم عبر الإنترنت تكيفي باستخدام شبكات الذاكرة الطويلة قصيرة المدى (LSTM) مع دالة فقد مخصصة ومبتكرة وتكامل شامل للميزات لتحسين دقة التنبؤ بأسعار الكهربان ليوم سابق بشكل كبير في سوق الطاقة بكاليفورنيا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تخمين سعر تذكرة لحفل موسيقي يقام كل يوم، لكن السعر يتغير كل ساعة بناءً على عدد الأشخاص الراغبين في الذهاب، ومدى حرارة الطقس، وكمية الطاقة التي يحتاجها نظام الصوت الخاص بالفرقة الموسيقية. هذا هو العالم الفوضوي لأسواق الكهرباء. على عكس شراء رغيف خبز حيث يكون السعر ثابتًا عادةً، فإن أسعار الكهرباء جامحة، تقفز صعودًا وهبوطًا مثل الأفعوانية لأن الشمس قد تتوقف عن الإشراق (مما يقلل طاقة الشمس) أو لأن موجة حر قد تجعل الجميع يشغلون أجهزة التكييف في وقت واحد. وللحفاظ على استمرار الإضاءة وجعل الفواتير عادلة، يحتاج مشغلو الشبكة وشركات الطاقة إلى التنبؤ بهذه الأسعار لليوم التالي، ساعة بساعة. إنهم يستخدمون "تعلم الآلة"، وهو ما يشبه تعليم الكمبيوتر كيفية إيجاد الأنماط في جبل من البيانات الماضية، تمامًا كما يدرس المحقق مسارح الجرائم القديمة لحل قضية جديدة. الهدف هو بناء بلورة سحرية لا تكتفي بتخمين متوسط السعر فحسب، بل تفهم القفزات والانخفاضات الجنونية قبل حدوثها.
هذه الورقة البحثية تدور حول بناء بلورة سحرية فائقة الذكاء لأسعار الكهرباء في كاليفورنيا باستخدام نوع من الذكاء الاصطناعي يسمى شبكة LSTM (الذاكرة الطويلة قصيرة المدى). فكر في الـ LSTM كطالب يمتلك ذاكرة مذهلة يمكنه من خلالها تذكر ما حدث الأسبوع الماضي، والشهر الماضي، وحتى العام الماضي، واستخدام ذلك لفهم ما يحدث الآن. لم يكتفِ الباحثون، صالح صالح أوغلو وفريقه، بجعل هذا الطالب يدرس الماضي فحسب؛ بل أعطوه مجموعة خاصة من القواعد للتعلم منها. أولاً، علموه ألا ينظر فقط إلى الأسعار الماضية، بل أيضًا إلى الطواحين والطقس وأي محطات طاقة بالضبط (شمسية، رياح، غاز، نووية) كانت تعمل في ذلك اليوم. ثانيًا، اخترعوا "نظامًا جديدًا لتقييم الواجبات المنزلية" (دالة خسارة مخصصة) لم تكتفِ بالتحقق مما إذا كانت الأرقام متقاربة، بل تحققت أيضًا مما إذا كان "شكل" منحنى السعر يبدو واقعيًا وسلسًا، بدلاً من أن يكون متعرجًا وغريبًا. وأخيرًا، بدلًا من ترك الطالب يؤدي اختبارًا مرة واحدة ثم لا يدرس مرة أخرى أبدًا، وضعوا نظامًا يحصل فيه الطالب على اختبار قصير يومي. إذا أدى الطالب بشكل أفضل في الاختبار بعد دراسة بيانات يوم جديد، فإنه يحصل على فرصة لتحديث ملاحظاته؛ أما إذا كان أداؤه أسوأ، فيتمسك بملاحظاته القديمة.
وجد الفريق أن نهج "التعلم عبر الإنترنت التكيفي" هذا كان هو الفائز. فنموذجهم، الذي يحدث نفسه بعناية كل يوم، كان أفضل بشكل ملحوظ من النماذج التي تظل ثابتة ولا تتغير أبدًا (النماذج الاستاتيكية) أو النماذج التي يتم إعادة تدريبها بالكامل من الصفر كل يوم (النماذج الديناميكية). وتحديدًا، قلل نموذجهم الذكي والمتطور من متوسط الخطأ في تنبؤاته بنحو 23% مقارنة بالنموذج الاستاتيكي. واكتشفوا أيضًا أن تزويد النموذج بقائمة لمصادر الطاقة النشطة ("مزيج التوليد") كان نقطة تحول جذري؛ فبدون هذه المعلومات، كان النموذج أكثر ارتباكًا. علاوة على ذلك، فإن نظام التقييم الخاص بهم، الذي تضمن عقوبة على القفزات السعرية المتعرجة وغير الواقعية، ساعد النموذج على التنبؤ بساعات الذروة الصعبة بدقة أكبر. باختصار، تشير الورقة البحثية إلى أن أفضل طريقة للتنبؤ بأسعار الكهرباء الجامحة هذه ليست ببناء نموذج مثالي مرة واحدة ونسيانه، بل ببناء نموذج مرن يتعلم شيئًا قليلًا كل يوم، ويراجع عمله الخاص، ولا يغير رأيه إلا عندما يتأكد من أنه أصبح أكثر ذكاءً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.