💰 quantitative finance

A Market-Rule-Informed Neural Network for Efficient Imbalance Electricity Price Forecasting

تقترح هذه الورقة إطار عمل للشبكة العصبية مسترشداً بقواعد السوق، يقوم بدمج قواعد تشكيل أسعار عدم التوازن في فضاء كامن عصبي لتحقيق تنبؤ دقيق وفعال ومتين بأسعار الكهرباء بمعلمات أقل وتدريب أسرع من النماذج المرجعية للتعلم العميق العام.

المؤلفون الأصليون: Runyao Yu, Julia Lin, Derek W. Bunn, Jochen Stiasny, Wentao Wang, Yujie Chen, Tara Esterl, Peter Palensky, Jochen L. Cremer

نُشر 2026-05-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Runyao Yu, Julia Lin, Derek W. Bunn, Jochen Stiasny, Wentao Wang, Yujie Chen, Tara Esterl, Peter Palensky, Jochen L. Cremer

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

الصورة الكبيرة: التنبؤ بسعر "المفاجأة"

تخيل أن سوق الكهرباء يشبه لعبة بوكر ضخمة وعالية المخاطر، يلعبها أصحاب محطات الطاقة وملاك البطاريات. هناك ثلاث جولات رئيسية:

قبل يوم واحد (Day-Ahead): تراهن على كمية الكهرباء التي ستحتاجها غداً.
داخل اليوم (Intraday): تقوم بتعديل رهانك مع مرور اليوم.
موازنة السوق (سوق عدم التوازن - Balancing): هذه هي الجولة النهائية حيث يقوم "سيد اللعبة" (مشغل الشبكة) بتسوية الحسابات. إذا راهنت على إرسال 100 وحدة من الطاقة ولكنك أرسلت 90 فقط، فلديك "عدم توازن". سيتعين عليك دفع سعر جزائي لتصحيح ذلك.

ما المشكلة؟ هذا السعر الجزائي غير متوقع بشكل جامح. يمكن أن يقفز من المستوى الطبيعي إلى مستويات فلكية في ثوانٍ معدودة. ومع ذلك، ليس الأمر مجرد فوضى عشوائية؛ بل يتبع "كتيب قواعد" مكتوباً ومحدداً بدقة ("قواعد السوق").

المشكلة في الذكاء الاصطناعي الحالي

معظم نماذج الذكاء الاصطناعي التي تحاول التنبؤ بهذا السعر تشبه الطلاب الذين طُلب منهم حفظ الإجابات لاختبار رياضيات دون تعليمهم المعادلات أبداً. إنهم ينظرون إلى الأسعار الماضية ويحاولون تخمين السعر التالي باستخدام التعرف المجرد على الأنماط (التعلم العميق).

العيب: هذا غير فعال. يتعين على الذكاء الاصطناعي "إعادة تعلم" قواعد الرياضيات في كل مرة يتدرب فيها، مما يستهلك الكثير من قوة الحاسوب والذاكرة.
فخ البيانات: أحياناً، يتم تغذية الذكاء الاصطناعي بـ "ملخص" للماضي (مثلاً: "كان السعر 100 دولار"). لكن مواقف مختلفة قد تؤدي إلى نفس السعر (100 دولار). إذا رأى الذكاء الاصطناعي الملخص فقط، فإنه يفقد السياق حول سبب كون السعر 100 دولار، مما يجعله سيئاً في تخمين ما سيحدث بعد ذلك.

الحل: MRINN (الذكاء الاصطناعي "المعتمد على قواعد السوق")

قام المؤلفون ببناء ذكاء اصطناعي جديد يسمى MRINN (الشبكة العصبية المستنيرة بقواعد السوق). فكر في الأمر كطالب مُنح كتاب الرياضيات الفعلي (قواعد السوق) و مدرساً خصوصياً ذكياً (الشبكة العصبية).

بدلاً من ترك الذكاء الاصطناعي يخمن القواعد من الصفر، قام الباحثون ببرمجة قواعد السوق مباشرة داخل عقل الذكاء الاصطناعي.

إليك كيف فعلوا ذلك، باستخدام تشبيه بسيط:

1. مكونات "الخلطة السرية"

يتم حساب السعر النهائي باستخدام ثلاثة مكونات رئيسية:

تكلفة الطاقة: كم كلف إصلاح عدم التوازن باستخدام البطاريات أو المولدات.
سعر السوق: ما كان عليه سعر الكهرباء العادي في تلك اللحظة.
ضريبة الندرة (Scarcity Penalty): "ضريبة ذعر" تُفرض إذا كانت الشبكة تعمل بمستوى منخفض وخطير من الطاقة.

يقول كتيب القواعد: "خذ أعلى أو أدنى قيمة من هذه المكونات الثلاثة اعتماداً على ما إذا كان لدينا فائض أو نقص في الطاقة."

2. مشكلة "الترجمة"

الذكاء الاصطناعي يتحدث لغة مختلفة (المتجهات الرياضية) عن كتيب القواعد (منطق "إذا/فإن"). لا يمكنك ببساطة لصق كتيب القواعد في شبكة عصبية؛ فالشبكة ستصاب بالارتباك بسبب منطق "إذا حدث هذا، فسيحدث ذاك".

لذلك، بنى المؤلفون مترجمين خاصين للذكاء الاصطناوي:

الـ Max/Min "الناعم": بدلاً من "اختر أكبر رقم" بشكل حاد، علموا الذكاء الاصطناعي نسخة ناعمة وسلسة من اختيار الرقم الأكبر حتى يتمكن من التعلم دون أن يتعطل.
الـ Sign "الناعم": بدلاً من "هل هو موجب أم سالب؟" بشكل حاد، استخدموا منحنى ناعماً يميل بلطف نحو الموجب أو السالب.
الـ If/Else "الناعم": بدلاً من مفتاح تشغيل/إيقاف حاد يقطع المعلومات، استخدموا "مفتاح تعتيم" (Dimmer Switch) يتلاشى تدريجياً بين الخيارات.

من خلال ترجمة القواعد الجامدة إلى رياضيات "ناعمة"، يمكن للذكاء الاصطناعي فهم القواعد أثناء تعلمه من البيانات.

لماذا يعد هذا تغييراً جذرياً في قواعد اللعبة

اختبرت الورقة البحثية هذا الذكاء الاصطناعي الجديد مقابل نماذج الذكاء الاصطناعي القديمة القائمة على "الأنماط البحتة" ووجدت بعض النتائج المفاجئة:

أذكى بذاكرة أقل: الذكاء الاصطناعي الجديد صغير جداً. لديه حوالي 1,800 معلمة (Parameter) فقط (فكر في هذه كـ "خلايا دماغ" الذكاء الاصطناعي). بينما كانت النماذج المتقدمة الأخرى تمتلك ما بين 10,000 إلى 28,000 خلية دماغية.
- التشبيه: الأمر يشبه حل لغز معقد باستخدام مفتاح صغير مصمم بدقة، بينما تحاول نماذج الذكاء الاصطناعي الأخرى حشر مفتاح ضخم وثقيل في القفل.
أسرع: لأنه أصغر، فإنه يتدرب في ثوانٍ ويعمل فورياً. وهذا أمر بالغ الأهمية للتداول في الوقت الفعلي حيث تُتخذ القرارات في أجزاء من الثانية.
لا ينسى السياق: من خلال تغذية الذكاء الاصطناعي بالبيانات الخام (المكونات المحددة) والقواعد، فإنه يتجنب "فخ البيانات". فهو يعرف أن سعر 100 دولار الناتج عن فشل في البطارية يختلف عن سعر 100 دولار الناتج عن يوم مشمس.
يتعامل جيداً مع البيانات المفقودة: في العالم الحقيقي، تصل البيانات أحياناً متأخرة (مثل رسالة نصية متأخرة). اختبر المؤلفون ما يحدث عندما يفتقد الذكاء الاصطناعي لبعض المكونات. وجدوا أنه إذا تمت إزالة قاعدة "الندرة"، فإن الذكاء الاصطناعي يرتبك بشأن الارتفاعات الحادة في الأسعار. وإذا تمت إزالة قاعدة "تكلفة الطاقة"، فإنه يسوء في التنبؤ بالأسعار المتوسطة. وهذا يثبت أن القواعد الثلاث ضرورية جميعها للحصول على الصورة الكاملة.

الخلاصة

تجادل الورقة البحثية بأنه في مجالات مثل تجارة الكهرباء، لا ينبغي لك مجرد إلقاء ذكاء اصطناعي يعمل كـ "صندوق أسود" على المشكلة. بدلاً من ذلك، يجب عليك تعليم الذكاء الاصطناعي قواعد اللعبة وترك مهاراته في مطابقة الأنماط لملء الفجوات.

من خلال الجمع بين هيكل قواعد السوق ومرونة التعلم العميق، أنشأوا نموذجاً يتميز بـ:

دقة أكبر في التنبؤ بتقلبات الأسعار الجامحة.
تكلفة أقل بكثير للتشغيل (قدرة حاسوبية أقل).
كفاءة أكبر للاستخدام الصناعي في العالم الحقيقي حيث قد تكون البيانات فوضوية أو متأخرة.

باختختصار: هم لم يبنوا مجرد "مخمن" أفضل؛ بل بنوا طالباً درس كتيب القواعد بالفعل.

ملخص تقني: شبكة عصبية مستنيرة بقواعد السوق للتنبؤ بكفاءة بأسعار طاقة عدم التوازن

بيان المشكلة

يعد التنبؤ الدقيق والفعال بأسعار طاقة عدم التوازن أمراً بالغ الأهمية لأنظمة تداول الطاقة الصناعية، لا سيما مع زيادة مشاركة أصول البطاريات وخطوط المزايدة الآلية في أسواق الموازنة. ومع ذلك، يواجه التنبؤ في الوقت الفعلي ثلاثة تحديات رئيسية:

قواعد السوق غير الخطية: يتم تحديد أسعار عدم التوازن من خلال قواعد تسوية شفافة ولكنها معقدة، ومجزأة، وغير خطية، تقوم بربط إشارات النظام (مثل أحجام عدم التوازن، والاحتياطيات المفعلة) بالأسعار.
تباين البيانات وزمن الوصول: يتطلب التنبؤ مزامنة إشارات متباينة (بيانات النظام، والسوق، والاحتياطي) تحت قيود زمنية صارمة، وهو أمر يزداد تعقيداً بسبب تأخيرات الاتصال، وفجوات النشر، وانقطاعات القياس.
فقدان المعلومات في الضغط: غالباً ما تتعامل نماذج التعلم العميق الحالية مع أسعار عدم التوازن كأهداف سلاسل زمنية عامة. وتتمثل المشكلة الحرجة المحددة في عدم قابلية دالة التسعير للعكس: حيث يؤدي ضغط الميزات الخام ( $F_t$ ) إلى سعر متأخر ( $P_t$ ) إلى فقدان المعلومات التنبؤية، لأن حالات متعددة ومتميزة من الميزات الخام يمكن أن تؤدي إلى نفس السعر، مما يجعل التنبؤات المستقبلية غير قابلة للتمييز إذا استُخدم السعر المضغوط فقط كمدخل.

المنهجية

يقترح المؤلفون الشبكة العصبية المستنيرة بقواعد السوق (MRINN)، وهو إطار عمل يدمج قواعد تكوين أسعار عدم التوازن المعروفة مباشرة في الفضاء الكامن لشبكة عصبية تعبيرية.

البنية الأساسية

معالجة المدخلات: يتم إسقاط الإشارات الخام (مثل أحجام aFRR/mFRR، وأسعار التداول الداخلي، وعدم توازن النظام) في فضاء متجه كامن بدلاً من ضغطها في قيمة سعرية واحدة.
حقن القواعد القابلة للتفاضل: يتم تنفيذ قواعد التسعير الحتمية (المعادلات 1-16 في الورقة البحثية) كعوامل تشغيل قابلة للتفاضل داخل الفضاء الكامن. وللتعامل مع العمليات غير القابلة للتفاضل أو المنقطعة المتأصلة في قواعد السوق، قدم المؤلفون تقريبات محددة:
- الحد الأدنى/الأقصى (Min/Max): تم استبدالهما بوظائف softplus لضمان تدفق سلس للمشتقات.
- القيمة المطلقة: تم تقريبها باستخدام $\sqrt{a^2 + \epsilon}$ .
- دالة الإشارة (Sign Function): تم تقريبها باستخدام التانغنت الزائد (tanh).
- القسمة: تم تثبيتها بإضافة ثابت صغير إلى المقام.
- المنطق الشرطي (If-Else): تم استبداله بآلية اختيار ناعمة باستخدام أوزان softmax لإنشاء بنية تفرع قابلة للتفاضل.
- الثوابت: تم تحويل ثوابت السوق المحددة مسبقاً عبر RobustScaler لتتناسب مع مقياس الفضاء الكامن.
رأس التنبؤ: يستخدم النموذج رأساً كمياً هرمياً لإنتاج تنبؤات احتمالية. يضمن هذا التصميم وجود زيادات غير سالبة بين الكميات (على سبيل المثال، من الوسيط إلى الحدود العليا/الدنيا)، مما يضمن عدم تقاطع الكميات ويحسن الموثوقية.
هدف التدريب: يتم تحسين النموذج باستخدام متوسط خسارة الكمية (AQL).

الإعداد التجريبي

مجموعة البيانات: بيانات بدقة 15 دقيقة من سوق الموازنة النمساوي (2022–2026).
النماذج المرجعية: تمت مقارنة النموذج مع:
- النماذج البدائية: الاستمرارية (آخر سعر) ومؤشرات التداول الداخلي.
- النماذج القائمة على السعر المتأخر: انحدار الكمية الخطي (LQR)، وXGBoost، وMLP باستخدام الأسعار الماضية فقط.
- النماذج القائمة على الميزات الخام: بنيات التعلم العميق المتقدمة (AttnBiLSTM, iTransformer, PatchTST, TimesNet, TimeXer) باستخدام الإشارات الخام.
التقييم: بروتوكول تحقق تبادلي زمني ثلاثي الأبعاد يغطي عاماً كاملاً، مع مقاييس تشمل AQL، وMAE، وRMSE، ومعدل تقاطع الكميات (AQCR).

النتائج الرئيسية

الأداء مقابل النماذج المرجعية:
- حققت MRINN قيمة AQL بلغت 20.70، متفوقة على أفضل نموذج بدائي (25.44) بنسبة 18.63%، وأفضل نموذج مرجعي قائم على السعر المتأخر (MLP, 22.51) بنسبة 8.04%.
- في التنبؤ بالنقطة، خفضت MRINA قيمة MAE إلى 49.36 وقيمة RMSE إلى 277.33، متفوقة على جميع النماذج الأخرى.
- والأهم من ذلك، حققت MRINN نسبة تقاطع كميات بلغت 0.00%، بينما أظهرت النماذج المرجعية القائمة على الميزات الخام (التي تعتمد على البيانات فقط) معدلات تقاطع تتراوح بين 6.58% و8.53%.
كفاءة المعلمات:
- تتطلب MRINN فقط 1,817 معلمة قابلة للتدريب (حجم النموذج حوالي 400 كيلوبايت).
- هذا أصغر بكثير من نماذج التعلم العميق العامة (مثل AttnBiLSTM الذي يحتوي على 28.3 ألف معلمة، وTimeXer الذي يحتوي على 21.7 ألف معلمة)، والتي غالباً ما تتطلب مئات الميجابايت عند توسيع نطاقها.
- يستغرق وقت التدريب حوالي 40 ثانية على كل من وحدة المعالجة المركزية (CPU) ووحدة معالجة الرسومات (GPU)، مما يدل على كفاءة حوسبية عالية.
التحليل الاستئصالي والحساسية:
- مساهمة المكونات: أدى إزالة أي من مكونات السعر الثلاثة (طاقة الموازنة، المرجع السوقي، دالة الندرة) إلى تدهور الأداء. كان مكون الندرة هو الأكثر أهمية لنمذجة عدم اليقين (AQL)، بينما كان مكون طاقة الموازنة هو الأكثر أهمية لدقة النقطة (MAE).
- قوانين القياس: أدى التنبؤ قصير المدى (الأفق < 180 دقيقة) إلى أفضل أداء مع نوافذ مدخلات قصيرة (0–60 دقيقة)، بينما استفادت الآفاق الأطول من نوافذ مدخلات أطول (1440 دقيقة)، مما يشير إلى وجود مقايضة بين الضوضاء الحديثة والسياق الموسمي طويل الأمد.

الأهمية والادعاءات

تجادل الورقة بأن الاستعانة بالمعلومات المسبقة لقواعد السوق والشبكات العصبية التعبيرية يجب أن يُستخدم بشكل مشترك في تطبيقات تداول الطاقة الصناعية. وتتمثل المساهمات والادعاءات الرئيسية فيما يلي:

معالجة عدم قابلية العكس: توضح الدراسة أن ضغط الإشارات الخام إلى أسعار متأخرة يؤدي إلى فقدان المعلومات. ومن خلال الاحتفاظ بالميزات الخام ودمج القواعد، تحافظ MRINN على المعلومات التنبؤية التي يجب على النماذج القائمة على البيانات فقط إعادة تعلمها.
كفاءة الموارد: يسمح دمج التحيز الهيكلي الاستقرائي (قواعد السوق) للنموذج بتحقيق دقة تنافسية مع عدد أقل بكثير من المعلمات وأوقات تدريب أقصر من نماذج التعلم العميق العامة. وهذا يجعل النهج مناسباً للانتشار في البيئات محدودة الموارد (مثل خوادم المواقع أو إدارة أصول البطاريات) حيث تكون الذاكرة وزمن الوصول محدودين.
المتانة التشغيلية: يوفر الإطار إرشادات عملية للنشر في العالم الحقيقي، حيث يوضح كيفية توسع أداء النموذج مع طول المدخلات وأفق التنبؤ، وكيف يتصرف عند فقدان إشارات معينة.
الموثوقية الاحتمالية: يضمن رأس الكمية الهرمي تنبؤات احتمالية متسقة فيزيائياً (لا يوجد تقاطع للكميات)، وهو مطلب حيوي لإدارة المخاطر في تداول الطاقة.

يخلص المؤلفون إلى أنه بينما قد تعتمد القواعد المحددة على السوق، فإن منهجية دمج العمليات القابلة للتفاضل في الفضاءات الكامنة تقدم مساراً نحو التنبؤ "المستدام حوسبياً" في أنظمة الطاقة التشغيلية. ويُقترح كعمل مستقبلي استقصاء إمكانية إعادة استخدام كتل العمليات هذه عبر أطر عمل الأسواق المختلفة.