Levenberg-Marquardt-Optimized Feed-Forward Neural Network for High-Accuracy Day-Ahead Joint Forecasting of Electricity Load and Market Prices in Smart Grid Environments

لم تعد الشبكة الكهربائية الحديثة مجرد طريق ذي اتجاه واحد حيث تتدفق الطاقة من محطة ضخمة إلى منزل سلبي؛ بل أصبحت نظاماً ديناميكياً ذا اتجاهين، حيث تتفاعل الألوا_الشمسية على الأسطح، والمركبات الكهربائية، والأجهزة الذكية باستمرار مع السوق. وفي هذه البيئة المعقدة، يبرز رقمان أهم من غيرهما: مقدار الكهرباء التي سيحتاجها الناس غداً، وتكلفة هذه الكهرباء. وهذان الرقمان مرتبطان ارتباطاً وثيقاً؛ فعندما يرتفع الطلب أو تتوقف الرياح عن الهبوب، يمكن للأسعار أن تقفز، وعندما ترتفع الأسعار، غالباً ما يغير الناس طريقة استهلاكهم للطاقة. إن ضبط هذه التوقعات بدقة أمر حيوي؛ فإذا أخطأت شركة المرافق في التقدير، فقد تهدر المال بشراء طاقة باهظة الثمن أو تترك الأضواء تومض وتنطفئ. وإذا أخطأ محطة توليد الطاقة في التقدير، فقد تفوتها فرصة بيع الطاقة أو تجد نفسها عالقة في فاتورة لا تستطيع سدادها. ولعقود من الزمن، حاول الخبراء التنبؤ بهذه الأرقام باستخدام أدوات إحصائية، لكن عدم القدرة على التنبؤ بالطقس والسلوك البشري جعل المهمة صعبة للغاية.

لقد اقترح فريق من الباحثين الآن طريقة جديدة لمعالجة هذه المشكلة، مع التركيز على نوع محدد من البرامج الحاسوبية المصممة للتعلم من الأنماط الماضية. وبدلاً من محاولة التنبؤ بالحمل والسعر بشكل منفصل، قاموا ببناء نظام واحد يتوقع كليهما في وقت واحد. فكر في هذا النظام مثل طالب يدرس كتاب تاريخ ليفهم كيف يؤثر حدثان مرتبطان ببعضهما، مثل الطقس وحجم الحشود في حديقة، على بعضهما البعض، بدلاً من محاولة التعلم عن الطقس والحشود في فصلين دراسيين مختلفين. استخدم الباحثون طريقة تسمى خوارزمية "ليفنبرغ-ماركوات" (Levenberg-Marquardt) لتدريب هذا النظام. وببسا de، هذه تقنية رياضية متطورة تساعد الكمبيوتر على التعلم بشكل أسرع وأكثر موثوقية من الطرق القديمة، حيث تقوم بتعديل إعداداتها الداخلية لتجد أفضل ملاءمة للبيانات دون الوقوع في طرق مسدودة.

اختبر الفريق نهجهم باستخدام بيانات واقعية من "بي جيه إم إنتركونيكشن" (PJM Interconnection)، وهي سوق كهرباء ضخمة تغطي أجزاء من شرق الولايات المتحدة. لقد قاموا بتغذية الكمبيوتر بساعات من المعلومات التاريخية، بما في ذلك استخدام الكهرباء السابق، والأسعار السابقة، وتوقعات درجات الحرارة، وحتى توقعات كمية الطاقة المتجددة التي ستكون متاحة. طُلب من الكمبيوتر النظر في كل هذه المعلومات والتنبؤ بالساعات العشرين القادمة من الحمل والسعر في آن واحد. كانت النتائج مبهرة؛ فعند مقارنتها بأدوات التنبؤ الشائعة الأخرى، بما في ذلك الشبكات العصبية القياسية والنماذج الإحصائية التقليدية، حقق هذا النظام الجديد أخطاءً أقل باستمرار في كل من حمل الكهرباء وأسعار السوق. لقد حقق أدنى مقاييس الخطأ في جميع المجالات، متفوقاً على الأساليب المرجعية مثل "الاستمرارية" (persistence) ونماذج "أريما" (ARIMA)، مما أثبت أن نهج النمذجة المشتركة نجح في التقاط الديناميكيات المعقدة للسوق.

إن ما يجعل هذه النتيجة مفيدة بشكل خاص ليس الدقة فحسب، بل أيضاً سرعة وبساطة الحل فيما يتعلق بالتنبؤ بالحمل. فالعديد من نماذج الذكاء الاصطناعي الحديثة تتطلب قدرات حوسبة هائلة وتستغرق وقتاً طويلاً للتدريب، مما يجعل من الصعب استخدامها في المواقف التي تتطلب اتخاذ قرارات سريعة في الوقت الفعلي. ومع ذلك، فإن هذا النموذج الجديد مدمج نسبياً ويتدرب بسرعة كبيرة. فهو ينجح في التقاط العلاقات الخفية والمعقدة بين كمية الطاقة التي يستخدمها الناس وتكلفة تلك الطاقة، دون الحاجة إلى الآلات الثقيلة لأنظمة التعلم العميق الأكثر تعقيداً. ووجد الباحثون أنه من خلال مشاركة جزء "التفكير" في الشبكة بين التنبؤين، تعلم النظام أن الطلب المرتفع يؤدي غالباً إلى أسعار مرتفعة، وأن هذه الأنماط تتكرر بطرق يمكن التنبؤ بها بناءً على الوقت من اليوم واليوم من الأسبوع.

كما بحثت الدراسة عن كثب في كيفية أداء النموذج بمرور الوقت، والتحقق مما إذا كان بإمكانه التعامل مع مواسم مختلفة وظروف السوق غير العادية. وأظهر التحليل أن الأخطاء في الحمل كانت موزعة بالتساوي، مما يعني أن النظام لم يبالغ في تقدير الأرقام أو يقلل منها باستمرار. لقد تعامل مع الدورات اليومية بشكل جيد، حيث تنبأ بذروات الاستخدام في الصباح والمساء بدقة عالية. وبينما أشار الباحثون إلى أن دقة التنبؤ بالسعر لا تزال تعتمد بشكل كبير على جودة توقعات الطقبات والطاقة المتجددة المقدمة للنظام، إلا أن الطريقة الأساسية أثبتت قوتها لكلا المتغيرين. كما أشاروا إلى أن هذا النهج يركز على تقديم تخمين واحد أمثل للمستقبل، بدلاً من نطاق من الاحتمالات، وهو ما يعد قيداً لبعض مهام إدارة المخاطر ولكنه مثالي للتخطيط التشغيلي الفوري.

في نهاية المطيط، يوضح هذا العمل أن الحل الأكثر فعالية ليس دائماً هو الأكثر تعقيداً. فمن خلال تحسين نوع قديم ومفهوم جيداً من البرامج الحاسوبية باستخدام طريقة تدريب قوية، أنشأ الفريق أداة سريعة ودقيقة بما يكفي للمساعدة في إدارة التوازن الدقيق لشبكة ذكية حديثة فيما يتعلق بالطلب على الكهرباء وأسعار السوق. إن القدرة على التنبؤ بكل من الطلب على الكهرباء وتكلفتها في عملية حسابية واحدة وسريعة توفر ميزة عملية للأشخاص الذين يحافظون على استمرار عمل الأضواء واستمرار عمل الأسواق. ومع استمرار تطور الشبكة مع المزيد من الطاقة المتجددة والمركبات الكهربائية، يصبح امتلاك وسيلة موثوقة وفعالة لتوقع هذين التحدين المزدوجين أمراً ضرورياً بشكل متزاي. وتشير هذه الدراسة إلى أنه باستخدام الأدوات الرياضية الصحيحة، يمكننا التنقل في حالة عدم اليقين للشبكة المستقبلية برؤية أوضح من أي وقت مضى.