Hybrid Kolmogorov-Arnold Network and XGBoost Framework for Week-Ahead Price Forecasting in Australia's National Electricity Market

تخيل أنك تحاول التنبؤ بسعر الكهرباء في السوق الوطنية للكهرباء في أستراليا (NEM) للأسبوع القادم. الأمر لا يشبه التنبؤ بالطقس؛ بل يشبه محاولة تخمين سعر رحلة عبر تطبيق للنقل عند حدوث عاصفة مفاجئة. الأسعار جامحة، فهي تقفز صعوداً وهبوطاً بشكل غير متوقع، وأحياناً ترتفع إلى مستويات جنونية بسبب أشياء مثل الغطاء السحابي المفاجئ الذي يقلل من الطاقة الشمسية أو موجة حر ترفع الطلب.

تقدم هذه الورقة البحثية نهج "الفريق الخارق" لحل هذه المشكلة. فبدلاً من الاعتماد على طريقة واحدة فقط، قام الباحثون بدمج نوعين مختلفين تماماً من نماذج الذكاء الاصطناعي لإنشاء نظام هجين أفضل في التنبؤ بهذه الأسعار الفوضوية من أي نموذج منفرد بمفرده.

إليك كيف تشرح الورقة حلهم، مقسماً إلى مفاهيم بسيطة:

المشكلة: "الرحلة الجامحة" لأسعار الكهرباء

أسعار الكهرباء في أستراليا متقلبة للغاية، وتتأثر بـ:

• الطاقة المتجددة: طاقة الرياح والشمس رائعة، لكنها غير قابلة للتنبؤ. إذا توقفت الرياح عن الهبوب، يمكن للأسعار أن ترتفع بجنون.
• الطلب: عندما يشتد الحر، يقوم الجميع بتشغيل مكيفات الهواء، فترتفع الأسعار.
• الوقت: تتغير الأسعار كل خمس دقائق.

أراد الباحثون التنبؤ بالأسعار قبل أسبوع واحد. وهذا أصعب من التنبؤ بسعر الغد لأن عليك مراعاة الاتجاهات طويلة المدى و الصدمات المفاجئة قصيرة المدى في آن واحد.

الحل: "فريق الأحلام" من نموذجين

بنى المؤلفون إطار عمل هجين يجمع بين شخصيتين مختلفتين من شخصيات الذكاء الاصطناعي:

1. "فنان الصورة الكبيرة": KAN (شبكة كولموغوروف-أرنولد)

• ماذا يفعل: فكر في KAN كرسام فني ناعم. هو بارع جداً في رؤية الاتجاهات طويلة المدى والأنماط الانسيابية والمتدفقة في البيانات. إنه يفهم "شكل" كيفية تحرك الأسعار بمرور الوقت.
• نقطة ضعفه: قد يصاب بالارتباك أمام القفزات المفاجئة والحادة أو القيم الشاذة الغريبة. هو يفضل المنحنيات الناعمة.

2. "المحقق الدقيق في التفاصيل": XGBoost

• ماماه يفعل: فكر في XGBoost كمحقق حاد البصر يستخدم أشجار القرار. هو ممتاز في رصد التغيرات المفاجئة، وعدم الانتظام المحلي، والقفزات القصوى. إنه بارع في قول: "مهلاً، هنا حدثت قفزة في السعر بسبب هذا الحدث المحدد".
• نقطة ضعفه: يواجه أحياناً صعوبة في رؤية الصورة الكبيرة والناعمة طويلة المدى. فهو يركز كثيراً على التفاصيل الفورية لدرجة أنه قد يغفل عن التدفق العام.

سحر الهجين: KAN + XGBoost
أدرك الباحثون أنه إذا تركوا هذين النموذجين يعملان معاً، فيمكنهما تغطية نقاط الضعف لدى كل منهما.

• التشبيه: تخيل محاولة قيادة سفينة وسط عاصفة. أنت بحاجة إلى قبطان يفهم تيارات المحيط (KAN) ومراقب يرصد الصخور والأمواج المفاجئة (XGBoost).
• كيف يعملان معاً: يتنبأ نموذج KAN بالمسار العام للسعر. ثم ينظر نموذج XGBoost إلى "الأخطاء" أو "البواقي" التي ارتكبها نموذج KAN ويقوم بإصلاحها، خاصة بالنسبة لتلك القفزات المفاجئة في الأسعار.
• النتيجة: قاموا بدمج التنبؤات بنسبة تقسيم 50/50 (وزن متساوٍ)، مما خلق نموذجاً يرى "الغابة والأشجار" معاً.

التجربة: كيف اختبروه؟

• البيانات: استخدموا بيانات كهرباء حقيقية من خمس مناطق رئيسية في أستراليا (NSW, VIC, QLD, SA, TAS) من أبريل 2024 إلى مارس 2025.
• الإعداد: استخدموا استراتيجية "النافذة المتوسعة". تخيل تعلم القيادة: تبدأ بأسبوع واحد من الممارسة، ثم أسبوعين، ثم ثلاثة، مستخدماً دائماً كل خبراتك الماضية للتنبؤ بالأسبوع التالي.
• المنافسة: وضعوا فريقهم الهجين الجديد في مواجهة:
  • النماذج الإحصائية التقليدية (SARIMAX).
  • نموذج التعلم العميق الشهير (LSTM).
  • النموذجين المستخدمين بمفردهما (فقط KAN أو فقط XGBoost).
  • خط الأساس "الساذج" (مجرد تخمين أن السعر سيكون هو نفسه السعر الحالي).

النتائج: من الفائز؟

فاز فريق KAN+XGBoost الهجين بفارق كبير.

• الدقة: قلل متوسط الخطأ (MAE) بنسبة تقارب 12% مقارنة باستخدام XGBoost وحده، وبنسبة تزيد عن 50% مقارنة بالتخمين "الساذج".
• الاستمرارية: قدم أداءً جيداً في جميع الولايات الأسترالية الخمس، حتى في المناطق الأكثر تقلبًا مثل نيوساوث ويلز (NSW).
• الأحداث القصوى: رغم أن التنبؤ بقفزات الأسعار الضخمة أمر صعب على الجميع، إلا أن النموذج الهجين كان الأفضل في رصد هذه الأحداث القصوى مقارنة بالطرق الأخرى.

لماذا هذا مهم (وفقاً للورقة البحثية)

تخلص الورقة إلى أنه بالنسبة للأسواق شديدة الفوضوية مثل شبكة الكهرباء في أستراليا، لا يمكنك الاعتماد على نوع واحد فقط من الذكاء الاصطناي.

• الخلاصة: من خلال دمج نموذج يفهم الأنماط الناعمة طويلة المدى (KAN) مع نموذج يتعامل مع التغيرات الحادة والمفاجئة (XGBoost)، تحصل على تنبؤ أكثر قوة وموثوقية.
• القيود: تعترف الورقة بأنه على الرغم من أن هذا يمثل تحسناً كبيراً، إلا أن التنبؤ بأعلى قمم الأسعار المطلقة لا يزال صعباً لأنها نادرة وفوضوية للغاية. كما أن النموذج يعتمد على بيانات الطقس والطلب الدقيقة، والتي هي نفسها عبارة عن توقعات.

باختصار، تجادل الورقة بأن أفضل طريقة للتنبؤ بمستقبل أسعار الكهرباء ليست في العثور على الذكاء الاصطناي "الأذكى" بمفرده، بل في بناء فريق يعمل فيه "المفكر السلس" و"المحقق الحاد" معاً.