Artificial Lemming Algorithm-Optimized CrossKAN for Multi-Energy Load Forecasting
تقدم هذه الورقة البحثية نموذج CrossKAN، وهو نموذج خفيف الوزن للتنبؤ بالأحمال متعددة الطاقة يدمج رأس شبكة كولموغوروف-أرنولد مع بنية محسنة بخوارزمية ليمينغ الاصطناعية واختيار الميزات ثلاثي الارتباط لتحسين دقة التنبؤ بشكل كبير مع الحفاظ على الكفاءة الحسابية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 مدينة كأنها كائن حي يتنفس الطاقة ويطلق الحرارة المهدرة. وللحفاظ على صحة وكفاءة هذا الكائن، يجب على المهندسين التنبؤ بدقة بكمية الكهرباء والتدفئة والتبريد التي ستحتاجها في أي لحظة. هذه ليست مجرد لعبة تخمين؛ فالطلب يتغير مع الطقس، والوقت من اليوم، وكيفية استخدام الناس لمبانيهم. هذه الطلبات فوضوية وتتغير بطرق معقدة يصعب رصدها بالرياضيات التقليدية. وإذا كان التنبؤ خاطئاً، فإن النتيجة قد تكون هدراً في الطاقة، أو درجات حرارة غير مريحة، أو ضغطاً على شبكة الطاقة. يكمن التحدي في إيجاد طريقة ذكية بما يكفي لفهم هذه الأنماط المعقدة، ولكنها بسيطة بما يكفي لتعمل بسرعة على الحاسوب حتى يمكن اتخاذ القرارات في الوقت الفعلي.
لقد حاول الباحثون طويلاً حل هذه المشكلة عبر بناء نماذج تتعلم من البيانات الماضية. بعض هذه النماذج بسيطة وسريعة ولكنها تفتقر إلى رصد الالتواءات والمنعطفات المعقدة للطلب في العالم الحقيقي. وبعضها الآخر قوي للغاية ولكنه ثقيل وبطيء لدرجة تجعل استخدامه اليومي غير عملي. ويتضمن أحد النهج الحديثة نوعاً من الذكاء الاصطناعي الذي يبحث عن الروابط بين المتغيرات المختلفة، مثل كيف يمكن لانخفاض درجة الحرارة أن يؤدي في الوقت نفسه إلى ارتفاع احتياجات التدفئة وتغيير استخدام الكهرباء. ومع ذلك، حتى هذه النماذج المتقدمة غالباً ما تعاني في رصد التغيرات المفاجئة والحادة في الطلب، مثل اللحظة التي ينتقل فيها المبنى من التبريد إلى التدفئة، أو الطريقة التي تدفع بها موجة الحر استهلاك الطاقة إلى نقطة الانهيار.
في دراسة حديثة، اقترح فريق من الباحثين طريقة جديدة لمعالجة هذه المشكلة من خلال دمج ثلاثة أفكار متميزة في نظام واحد انسيابي. بدأوا باختيار المعلومات التي سيتم تغذية النموذج بها بعناية؛ فبدلاً من إلقاء كل البيانات المتاحة على الحاسوب، استخدموا مرشحاً ثلاثي الأجزاء لتصنيف المدخلات. بحث هذا المرشح في مدى قوة ارتباط متغير ما باستخدام الطاقة، ومدى مساهمة ذلك المتغير فعلياً في جعل نموذج الحاسوب يقدم تخميناً جيداً، وما إذا كانت هذه العلاقة ثابتة بمرور الوقت. ومن خلال الاحتفاظ بالإشارات الأكثر موثوقية فقط، ضمنوا ألا يتشتت النموذج بالضجيج.
بمجرد اختيار البيانات الصحيحة، قام الفريق بتغذيتها في محرك تنبؤ جديد أطلقوا عليه اسم "CrossKAN". هذا المحرك مبني على أساس خفيف الوزن وهو ممتاز في رصد الأنماط عبر الزمن وبين أنواع الطاقة المختلفة. تخيله كجهاز ماسح ضوئي عالي الكفاءة يقرأ تاريخ استخدام الطاقة ويفهم كيف تؤثر العوامل المختلفة على بعضها البعض. يكمن الابتكار فيما يحدث في نهاية العملية تماماً؛ فبينما كانت النماذج القديمة ترسم ببساطة خطاً مستقيماً للتنبؤ بالمستقبل، يستخدم هذا النظام الجديد أداة رسم خرائط منحنية ومرنة عند خط النهاية. وهذا يسمح للنموذج بثني وتشكيل تنبؤه ليتناسب مع الطفرات أو الانخفاضات المفاجئة في الطلب، مما يلتقط الواقع غير الخطي لكيفية سلوك المباني فعلياً دون أن يصبح ثقيلاً يصعب تشغيله.
وللتأكد من ضبط هذا المحرك الجديد بشكل مثالي، استخدم الباحثون طريقة بحث مستوحاة من سلوك حيوان الليمينج (الليمينج)، وهي قوارض صغيرة معروفة بهجراتها الطويلة. عملت خوارزمية البحث هذه كدليل، حيث استكشفت آلاف الإعدادات المختلفة للمقابض الداخلية للنموذج، مثل مدى اتساع طبقاته الداخلية أو سرعة تعلمه. واختبرت هذه الإعدادات لإيجاد المزيج المحدد الذي ينتج التنبؤات الأكثر دقة. لم يغير الباحثون الهيكل الأساسي للنموذج أثناء عملية البحث هذه، بل تركوا الخوارزمية تجد أفضل طريقة لتهيئة النموذج للمهمة المطلوبة.
وعندما اختبر الفريق هذا النظام الجديد على بيانات واقعية من حرم جامعي في ولاية أريزونا، كانت النتائج واضحة؛ فقد تفوق النموذج على أقوى الأساليب الموجودة حالياً في التنبؤ بأحمال الكهرباء والتدفئة والتبريد. لقد قلل متوسط الخطأ في تنبؤاته بنحو 13 إلى 17 بالمائة مقارم بأفضل النماذج السابقة. وظل هذا التحسن قائماً حتى عندما اختبر الباحثون النظام على مجموعة بيانات مختلفة تماماً من مبانٍ في أمريكا الشمالية وأوروبا. ورغم أن الأخطاء كانت أعلى قليلاً في مجموعة البيانات الثانية، ويرجع ذلك على الأرجح إلى الطبيعة المختلفة للمباني وفترات الطلب الصفري المتكررة، إلا أن النظام الجديد ظل الخيار الأكثر دقة المتاح.
تشير الدراسة إلى أن مفتاح التنبؤ الأفضل قد لا يكمن دائماً في بناء آلة أكبر أو أكثر تعقيداً، بل في تركيز القدرة على التعامل مع التغيرات المعقدة وغير الخطية في الخطوة النهائية فقط من عملية التنبؤ، مما يسمح لبقية النظام بالبقاء سريعاً وفعالاً. وجد الباحثون أن هذا النهج يعمل جيداً للتخطيط قصير المدى، مما يساعد في إدارة موارد الطاقة بشكل أكثر فعالية. ومع ذلك، فقد أشاروا أيضاً إلى أن نتائجهم محددة بالبيانات التي اختبروها، ولم يثبت بعد نجاح النظام في مناطق أخرى غير مرئية تماماً أو تحت ظروف قاسية وغير متوقعة. يقدم هذا العمل مساراً واعداً، موضحاً أن التصميم الأخف والأذكى يمكنه التقاط الواقع الفوضوي للطلب على الطاقة بشكل أكثر فعالية من البدائل الأثقل والأكثر جموداً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.