نهج التنبؤ بالطاقة الكهربائية متعدد الخطوات للمجتمعات المنزلية

تحليل نهج التنبؤ بالطاقة الكهربائية متعدد الخطوات للمجتمعات المنزلية

يكتسب التحول نحو إنتاج منخفض الكربون والطاقة المستدامة زخماً لدعم الطلب المتزايد على الطاقة، ونتيجة لهذا التحول؛ فإنه من المتوقع أن تزداد سعة توليد الطاقة الكهروضوئية المركبة بأكثر من (21.9) تيراواط بحلول عام (2050)م، كما تتيح الخلايا الكهروضوئية في الوقت الحاضر توليد الكهرباء المحلية بين المستهلكين المقيمين بتكلفة أقل من تلك الخاصة بشبكة الطاقة.

لذلك تكون التكاليف أقل في حالة استخدام أجهزة تخزين الطاقة، لذلك من المتوقع أن يزداد الاستهلاك الذاتي، أي الاستهلاك من الكهرباء المنتجة ذاتياً بين الأسر، وعلاوة على ذلك في المباني السكنية يتزايد استخدام الطاقة من خلال استخدام المزيد من السيارات الكهربائية والأجهزة عالية الطلب، وفي مثل هذه البيئة، يصبح التنبؤ بالطلب والعرض على الطاقة من مصادر التوليد الجزئي ضرورياً لمعالجة عدم الاستقرار الناجم عن دمج الطاقة الكهروضوئية في شبكة الطاقة وتقليل عدم اليقين بشأن الطلب.

وبالنسبة لموردي الكهرباء، يوفر التنبؤ بالطلب والتوليد الصغير معلومات مفيدة لتحقيق توازن العرض والطلب وخدمة متطلبات الذروة والحفاظ على تشغيل موثوق للشبكة الكهربائية من وجهة نظر العملاء، كما ستمكنهم توقعات الطاقة من خلال نظام إدارة الطاقة الذكية (EMS) من اتخاذ قرارات أكثر ذكاءً بشأن إدارة استخدامهم وزيادة الاستهلاك الذاتي وتداول الطاقة وخفض فواتير الكهرباء، بحيث ستؤدي الإدارة الذكية للطاقة في المباني إلى انخفاض في استهلاك الكهرباء من شبكة الطاقة، مما يؤدي بدوره إلى خفض تكاليف التشغيل الإجمالية.

لذلك يتم إجراء تنبؤات الطاقة بمقاييس زمنية مختلفة تتوافق مع نشاط اتخاذ قرار معين، بحيث يتم استخدام المدى القصير جداً (من بضع دقائق إلى بضع ساعات) بشكل عام للتحكم في التدفق والإرسال في الوقت الفعلي، وهو قصير الأجل (من بضع ساعات إلى بضعة أسابيع قادمة) لتعديل التوليد الكهربائي والطلب وتداول الكهرباء، كذلك المدى المتوسط ​​والطويل (من بضعة أشهر إلى بضع سنوات قادمة) لتخطيط محطة الطاقة الكهروضوئية وصيانة الطاقة.

وبشكل عام، يعد التنبؤ باستهلاك الطاقة على المدى القصير إلى المدى المتوسط ​​على نطاقات أصغر مثل مبنى سكني أو مستوى المجتمع أمرًا صعبًا للغاية بسبب العديد من العوامل الديموغرافية والاقتصادية التي تؤثر على الحمل بدرجات مختلفة.

كما تشمل هذه العوامل عادةً عدد السكان وحجم المبنى وهيكله وعدد السكان وعدد الأجهزة قيد الاستخدام والتدفئة والتهوية ونظام تكييف الهواء وبيانات الطقس (الرطوبة وسرعة الرياح ودرجة الحرارة وهطول الأمطار وما إلى ذلك)، كما يتم إجراء دراسة شاملة للسمات الأساسية التي تؤثر على الطلب على الطاقة الكهربائية.

إطار عمل التنبؤ الخاص بالطاقة الكهربائية متعدد الخطوات

يصور الشكل التالي (1) إطار عمل تنبؤ متعدد الخطوات مقدماً بشأن الطاقة، كما ويتألف من ثلاث خطوات رئيسية، حيث أن الخطوة الأولى معالجة البيانات والخطوة الثانية هي تطوير النموذج واختيار النماذج الأكثر دقة والخطوة الثالثة تكمن في تطوير وتقييم نموذج المجموعة بناءً على نتائج الخطوة السابقة.

كما يتم تصنيف الخطوة الأولى أيضاً إلى خمس مهام رئيسية، وهي الاستكشاف المرئي وتنظيف البيانات واستخراج الميزات وتحويلها واختيار الميزة ونمذجة الإدخال والإخراج، خلال الخطوة الأولى كما نهدف إلى فهم البيانات بشكل أفضل وتحسين جودة البيانات وتحديد الميزات التنبؤية واختيار أكثرها فائدة وتحويل البيانات إلى التنسيق المناسب لنماذج التنبؤ.

وفي الخطوة الثانية، يتم تدريب وتقييم العديد من الخوارزميات شائعة الاستخدام في التنبؤ بالسلاسل الزمنية مثل (ARIMA) و (SVR) و (LSTM) وما إلى ذلك على مجموعات كبيرة من بيانات التدريب والتحقق من الصحة، حيث أن الهدف هو وضع قائمة مختصرة بالنماذج الواعدة لمشكلة التنبؤ بالطاقة.

وفي الخطوة الثالثة، تم دمج الخوارزميات الناتجة من الخطوة الثانية مع أدنى خطأ تنبؤ في المتوسط ​، أي (Seq2Seq LSTM) و (GBRT) لإنشاء نموذج مجمع، ثم يتم تطبيق تقنية المجموعة المدربة للتنبؤ باستهلاك الطاقة في العديد من المجتمعات المنزلية وتوليدها كمجموعات اختبار، تعرض الأقسام الفرعية التالية تفاصيل كل خطوة.

الخطوة الأولى: وتتضمن المراحل التالية:

• الاستكشاف المرئي.

• تنظيف البيانات.

• ميزة استخراج.

• ميزة التحول.

• اختيار الميزة المناسبة.

• نمذجة المدخلات والمخرجات.

الخطوة الثانية: تقسم هذه الخطوة الى عدة مراحل

• مرحلة الإصرار.

• المتوسط المتحرك للانحدار التلقائي المتكامل (ARIMA).

• سلسلة المنحدرات.

• upport Vector Regression (SVR).

• AdaBoost.

• شجرة الانحدار المعزز المتدرج (GBRT).

• عودة الشبكة العصبية (BPNN).

• شبكة الذاكرة طويلة المدى (LSTM).

• شبكة (GRU).

• الشبكة العصبية التلافيفية (CNN).

• التسلسل إلى تسلسل (LSTM -Seq2Seq LSTM).

الخطوة الثالثة: في هذه المرحلة، نعتمد نهجاً للتعلم الجماعي لإنشاء نموذج تنبؤ قوي يعتمد على الخوارزميات التي تم تقييمها في الخطوة السابقة، وذلك عندما نجمع تنبؤات مجموعة من المتنبئين، وعادة ما تكون دقة التنبؤ أعلى من تلك الخاصة بأفضل متنبئ منفرد، حيث أن الأسلوب الذي يستخدم مجموعة من المتنبئين يسمى التعلم الجماعي. يمكن إجراء التعلم الجماعي بطرق مختلفة.

كما يُطلق على أحد الأساليب الشائعة التعبئة والتغليف، حيث يتم تدريب المتنبئين الذين لديهم نفس خوارزميات التدريب على مجموعات فرعية عشوائية مختلفة من مجموعة التدريب، بحيث يتم إجراء أخذ العينات مع الاستبدال ويسمح بأخذ عينات لحالات التدريب عدة مرات لنفس المتنبئ.

وبعد تدريب جميع المتنبئين؛ فإنه يتم إجراء التنبؤ لمثيل جديد عن طريق تجميع تنبؤات جميع المقدرين ببساطة، ونتيجة لذلك سيكون للمجموعة تباين أقل من المقدرين الفرديين، ومع ذلك في سياق التنبؤ بالحمل، لا يمكن أن تكون طريقة التعبئة باستخدام تقنية أخذ العينات العشوائية هي الأمثل بسبب الارتباط الذاتي المتأصل في الملاحظات.

وهناك نهج آخر شائع هو التعزيز، حيث يتم تدريب المتنبئين بالتسلسل، كما ويحاول كل منهم تصحيح سلفه، كما أن  الفكرة الرئيسية للتعزيز هي بناء متعلم قوي يعتمد على العديد من المتعلمين الضعفاء، حيث يتمثل الجانب السلبي الرئيسي في التعلم المتسلسل في أنه لا يمكن موازنته لأن تدريب كل متنبئ يحدث بعد التدريب وتقييم المتنبئ السابق.

كما تسمى تقنية التجميع الأكثر تقدمًا التكديس، وفي هذه الحالة يتم تدريب العديد من المتنبئين على مجموعة فرعية من بيانات التدريب ويقومون بالتنبؤ بمجموعة فرعية أخرى من بيانات التدريب (تسمى المجموعة المثبتة)، ثم يتم تدريب الخلاط أو المتعلم الفوقي على تنبؤات المتنبئين الأساسيين.

ومن الناحية العملية؛ فإنه يمكن أن يكون المتعلم الفوقي أي خوارزمية تعلم مثل الانحدار الخطي أو شجرة القرار، كما يتعلم المتعلم الفوقي الناجح بشكل فعال الأوزان المثلى للجمع بين المتعلمين الأساسيين، ونتيجة لذلك ينتج تنبؤات أكثر دقة مقارنة بالمتعلمين الفرديين، وبالتالي؛ فإن التكديس يهدف إلى تقليل التباين وتحسين دقة التنبؤات. يتم توفير دليل مفصل لتجميع التعلم.