في ظل التطورات السريعة في تقنيات الذكاء الاصطناعي، باتت توقعات استهلاك الطاقة تشكل محور اهتمام كبير لإدارة الشبكات الكهربائية بكفاءة وتعزيز استدامة الطاقة. ومع تعدد الأساليب المتقدمة في التعلم الآلي، إلا أن هناك تحديين رئيسيين لا تلبى احتياجاتهما النماذج الحالية، وهما: 1) تعاني معظم النماذج من عدم أخذ الاعتبار للاعتمادية المكانية بين المناطق المختلفة، مما يعرقل دقة النتائج. 2) عدم قدرتها على تقديم توقعات موثوقة في ظروف غير عادية مثل الأحداث المناخية القاسية.

لمواجهة هذه التحديات، تم تطوير نموذج EnergyMamba، وهو إطار تعلم مكاني زماني مدعوم بالذكاء الاصطناعي يركز على معالجة حالات عدم اليقين. يتكون EnergyMamba من مكونين رئيسيين: 1) نموذج الحالة المكانية المعزز (Graph-Enhanced Selective State Space Model) الذي يدمج السياقات المكانية من تخطيط الشبكة في الديناميكيات الزمنية، مما يسهل النمذجة المكانية الزمنية المترابطة. 2) وحدة الانحدار الكمي التكيفي المتسلسل (Adaptive Sequential Conformalized Quantile Regression) التي تتضمن آلية تغذية راجعة عبر الإنترنت لضبط فترات التوقع بشكل ديناميكي عند حدوث تغيرات في التوزيع.

تم تقييم النموذج على أربع مجموعات بيانات كبيرة في فلوريدا، نيويورك، وكاليفورنيا، وأظهرت النتائج أن EnergyMamba حقق تحسينًا بنسبة 5% في دقة التوقع و6% في تقدير الشكوك مقارنة بـ 15 نموذج من الطراز الأول.

هل أنتم مستعدون لتحسين دقة توقعات استهلاك الطاقة؟ شاركونا آراءكم حول هذا التطور في التعليقات!