في عالم متزايد التعقيد كما هو الحال اليوم، يصبح التنبؤ بدقة بالأحمال الكهربائية أكثر أهمية من أي وقت مضى لضمان موثوقية الشبكة الكهربائية الأمريكية. ومع أن الطرائق الحالية في التعلم العميق أثبتت فعاليتها، إلا أن غموض هذه النماذج قد يعيق الثقة لدى المشغلين، خاصة خلال الظروف الجوية القاسية.

لذا، يقدم الباحثون نموذجاً متكاملاً يعتمد على الفيزياء للتنبؤ بالأحمال الكهربائية، حيث يجمع بين فرعين رئيسيين: أحدهما يعتمد على الشبكات العصبية الالتفافية (Convolutional Neural Network - CNN) لاستخراج الميزات المحلية، والآخر يستخدم فرع التحويل (Transformer) لنمذجة العلاقات بعيدة المدى. ويُدمج هذان الفرعان من خلال نموذج وزن مدعوم بالتفسير، مُعزَز بفقد فيزيائي مستمد من العلاقة المنحنية بين درجات الحرارة وطلب الطاقة في نظام مجلس موثوقية الكهرباء في تكساس (ERCOT).

التحليل التفسيري ما بعد التنبؤ يستخدم تفسيرات شابلي المضافة (SHAP) من خلال الواجهة الخلفية DeepExplainer، مما يوفر توضيحات على المستوى العالمي ومستوى الأحداث. ويعتمد النموذج على ثماني سنوات من بيانات الحمل الساعي لمجلس ERCOT، بجانب سجلات من نظام المراقبة الآلية من ثلاثة محطات في تكساس، ليحقق دقة مذهلة تصل إلى متوسط خطأ مطلق (MAE) قدره 713 ميغاوات.

ما يثير الاهتمام هو قدرة النموذج على تحسين النتائج في ظل أحداث الطقس القاسية، حيث تنخفض نسبة الخطأ النسبي (MAPE) بنسبة 20.7% مقارنة بالفرع المستخدم (Transformer) و40.5% مقارنة بالفرع الآخر (CNN). وبالإضافة إلى ذلك، يؤكد تحليل SHAP حدوث تغيير في نمط التأثير: حيث تهيمن درجات الحرارة خلال الظروف العادية، بينما تزداد تأثيرات سرعة الرياح وكمية الأمطار خلال الأجواء الباردة وموجات الحرارة.

هذا التجديد في مجال التنبؤ بالحمل الكهربائي يمثل خطوة مهمة نحو تعزيز ثقة المشغلين وتعزيز موثوقية الشبكة الأمريكية، خاصة في ظل تحديات تغير المناخ.