Semantic-Aware Cross-Domain Multi-Horizon Energy Forecasting for Renewable-Aware Manufacturing: The NEO-FORECAST Framework

في العالم الحديث، بدأت المصانع تعمل وفق نوع مختلف من الساعات. لعقود من الزمن، كانت الطاقة الصناعية بمثابة نهر مستقر ومتوقع، يتدفق من الشبكة إلى الآلات مع تغير طفيف. والي اليوم، أصبح هذا النهر مزيجاً من التدفق المستمر والزيادات المفاجئة المعتمدة على الطقس من الألواح الشمسية وتوربينات الرياح. يخلق هذا التحول لغزاً معقداً لمديري المصانع؛ إذ يتعين عليهم تقرير متى يتم تشغيل الآلات الثقيلة، ومتى يتم تخزين الطاقة في البطاريات، ومتى يتم شراء الطاقة من الشبكة، كل ذلك مع محاولة إبقاء التكاليف منخفضة والإنتاج مستقراً. ولاتخاذ هذه القرارات، هم بحاجة إلى توقعات ليست دقيقة فحسب، بل واعية أيضاً بالواقع الفيزيائي المحدد لحالتهم. إن التنبؤ بإنتاج الطاقة الشمسية في يوم مشمس يختلف جوهرياً عن التنبؤ باستخدام آلات المصنع، حتى لو تم قياس كليهما بالكيلوات. ومعاملة أنواع بيانات الطاقة المختلفة هذه كما لو كانت نوعاً واحداً من الأشياء يمكن أن يؤدي إلى الارتباك واتخاذ قرارات سيئة.

هذا هو التحدي الذي يعالجه عدنان حيدر زيدي في دراسة جديدة تسمى NEO-FORECAST. يركز البحث على مشكلة محددة في التنبؤ بالطاقة: كيفية استخدام ما نعرفه عن نظام طاقة واحد للمساعدة في التنبؤ بنظام آخر، دون ارتكاب أخطاء. تخيل أنك تحاول تعلم قيادة شاحنة من خلال تعلم ركوب دراجة أولاً؛ مهارات التوازن والتوجيه مرتبطة، لكن المركبات مختلفة جداً بحيث أن تطبيق قواعد الدراجة على الشاحنة بشكل أعمى قد يكون خطيراً. في التنبؤ بالطاقة، يُعرف هذا باسم "النقل السلبي" (negative transfer)، حيث يؤدي خلط البيانات من مصادر مختلفة إلى جعل التوقعات أسوأ بدلاً من تحسينها. تطرح الدراسة سؤالاً دقيقاً: تحت أي ظروف يساعد مشاركة المعرفة بين مهام الطاقة المختلفة، ومتى يضر بها؟ لقد طور الباحثون إطار عمل لاختبار ذلك، مما يضمن أنهم لا يفترضون ببساطة أن المزيد من البيانات هو الأفضل دائماً، بل يتحققون بعناية مما إذا كانت البيانات متوافقة قبل استخدامها.

جوهر إطار عمل NEO-FORECAST هو منهج يحترم الهوية الفريدة لكل مصدر طاقة. فبدلاً من صب جميع البيانات المتاحة — الطلب على الكهرباء، توليد الطاقة الشمسية، استخدام المباني، والأحمال الصناعية — في خلاط واحد، يحافظ النظام عليها متميزة. إنه يدرك أنه بينما قد تشترك هذه الأنظمة في بعض الأنماط، مثل الدورات اليومية أو ردود الفعل تجاه الطقس، إلا أن أهدافها وسلوكياتها الفيزيائية الأساسية مختلفة. قام الباحثون ببناء نظام يفصل هذه الأنماط إلى ثلاث طبقات: الإيقاعات العامة القائمة على الوقت التي قد تكون مشتركة، والسمات المحددة للموقع أو المجال، والتفاصيل الفريدة للكيان الفردي. ومن خلال إبقاء هذه الطبقات منفصلة، يمكن للنظام أن يقرر متى يستعير المعرفة من مصدر آخر ومتى يعتمد فقط على تاريخه الخاص. يتضمن هذا النهج "فحص التوافق"، وهو آلية تعمل كحارس بوابة. فقبل أن يسمح النظام بتدفق المعرفة من مهمة إلى أخرى، فإنه يحسب ما إذا كانت المهمتان متشابهتين بما يكفي للاستفادة من التبادل. وإذا كانتا مختلفتين للغاية، تغلق البوابة لمنع الارتباك الذي يؤدي إلى النقل السلبي.

صُممت الدراسة بتركيز صارم على تجنب العثرات الشائعة في الاختبارات العلمية. أحد المخاوف الرئيسية في هذا المجال هو "تسرب البيانات" (data leakage)، حيث يرى النموذج بالخطأ معلومات مستقبلية أثناء تدريبه، مما يجعله يبدو أكثر ذكاءً مما هو عليه في الواقع. لقد طبق الباحثون ضوابط صارمة لضمان أن البيانات المستخدمة في التدريب لم تلمس أبداً البيانات المستخدمة في الاختبار، وأن الاختبار تم بطريقة تحترم تدفق الوقت. لقد اختبروا منهجهم مقابل عدة نماذج راسخة، بما في ذلك الأدوات الإحصائية طويلة الأمد وأنظمة الذكاء الاصطناعي الحديثة مثل الشبكات العصبية. وأظهرت النتائج أن نهج NEO-FORECAST أنتج توقعات أكثر دقة من هذه الطرق القياسية. وعند النظر إلى متوسط معدلات الخطأ، قلل الإطار الجديد الفرق بين القيم المتوقعة والفعلية بشكل كبير. وتحديداً، كان متوسط الخطأ 5.9 مقارنة بـ 8.2 للنموذج المتكرر القياسي، وكان التباين، أو انتشار الأخطاء، 2.6 مقارنة بـ 3.7. وفي اختبار منفصل باستخدام أرقام معيارية للمقارنة بين المقاييس المختلفة، سجلت الطريقة الجديدة 0.089، متفوقة على نموذج المحولات (transformer model) الذي سجل 0.112 ونموذج قائم على الأشجار (tree-based model) سجل 0.145.

ومع ذلك، فإن الباحثين حذرون من الادعاء بأن هذا حل عالمي يعمل بشكل مثالي في كل موقف. تجادل الدراسة صراحة ضد فكرة أن مجرد تجميع كل البيانات معاً هو الاستراتيجية الأفضل. هم يقترحون أن فائدة مشاركة المعرفة تعتمد بشدة على الأفق الزمني الذي يتم التنبؤ به، وقد صُمم إطار العمل لتقييم هذه العلاقة من خلال تجارب محددة بدلاً من افتراضها كقدرة حالية. إن التنبؤ بالساعة القادمة قد يستفيد من مجموعة مختلفة من القواعد المشتركة مقارنة بالتنبؤ بالأسبوع القادم، لكن الدراسة تحدد هذا كفرضية يجب اختبارها مقابل التدريب المستهدف والضوابط الأخرى. علاوة على ذلك، يؤكد البحث أن التنبؤ الجيد لا يقتصر فقط على كون الرقم قريباً من القيمة الفعلية؛ بل يتعلق بكيفية مساعدة ذلك الرقم للمصنع في اتخاذ قرار. تقدم الدراسة "واجهة قرار" تربط التنبؤ بالإجراءات في العالم الحقيقي، مثل تشغيل الآلات أو إيقافها. وهذا يسمح للباحثين ليس فقط بقياس دقة التنبؤ، بل بقيمة القرار الذي يتيحه. هم يقترحون اختباراً لمعرفة ما إذا كان التنبؤ الأقل دقة قليلاً يمكن أن يؤدي إلى قرار تشغيلي أفضل، اعتماداً على قيود المصنع، لكنهم يشيرون إلى أن هذا يتطلب أدلة قابلة للتكرار لتأكيد متى يحدث مثل هذا التباين.

الهدف النهائي لهذا العمل هو إنشاء مسار قابل للتكرار من البيانات الخام إلى القرارات الهندسية. يقر المؤلف بأنه بينما تبدو الأرقام الإجمالية واعدة، فإن الاختبار الحقيقي يكمكمن في تفاصيل مجموعات بيانات محددة وسيناريوهات تصنيع محددة. لقد وضعوا خطة واضحة للتحقق المستقبلي، تتطلب أن أي ادعاء بالتفوق يجب أن يكون مدعوماً بأدلة من تجارب محددة، وليس مجرد متوسطات عامة. لا تدعي الدراسة أنها حلت مشكلة التنبؤ بالطاقة لجميع عمليات التصنيع. بدلاً من ذلك، فهي توفر طريقة منضبطة ومسيطر عليها بالأدلة لمعرفة متى وكيف يتم مشاركة المعرفة بين مهام الطاقة المختلفة. ومن خلال فصل العام عن الخاص والتحقق من التوافق قبل المشاركة، يوفر إطار عمل NEO-FORECAST وسيلة لبناء أنظمة طاقة أذكى وأكثر موثوقية للمصانع المستقبلية التي تراعي الطاقة المتجددة. تشير النتائج إلى أن مستقبل إدارة الطاقة لا يكمن في النماذج الأكبر والأكثر تعقيداً التي تحاول تعلم كل شيء دفعة واحدة، بل في الأنظمة الأذكى التي تعرف بالضبط ما يمكنها تعلمه من بعضها البعض وما يجب أن تتعلمه بمفردها.