تعتبر توقعات الأحمال الكهربائية (Probabilistic Load Forecasting) من العناصر الأساسية في عملية تشغيل وتخطيط أنظمة الطاقة. ومع ذلك، تواجه هذه التوقعات تحديات كبيرة عند تحليل بيانات على مستويات العملاء والمحولات. إن تقلبات الطلب تُعتمد بشكل كبير على سلوك المستهلكين، الأحوال الجوية، وتركيبات الأحمال المختلفة، مما يجعل من الصعب على نموذج واحد موحد أن يلبي هذه التغيرات بشكل مناسب.

ولحل هذه المشكلة، عمل الباحثون على تطوير إطار عمل متقدم يُركز على العملاء ويجمع بين دقة النماذج الاحتمالية المنفصلة ومرونة نماذج ذات الأبعاد المنخفضة. هذا التصميم المبتكر يُتيح للتحميلات أن تستفيد من مجموعة صغيرة من مكونات التكيف بدلاً من إنشاء نموذج مستقل لكل تحميل، مما يُحافظ على المعرفة المشتركة بين العملاء ويعطي مرونة كافية لتفاصيل تركيبات الأحمال المختلطة.

أظهرت التجارب على 590 نموذج حمل من مجموعة بيانات SMART-DS تحسينات ملحوظة في الدقة الحتمية والجودة الاحتمالية مقارنة بالأساليب الإحصائية ونماذج الشبكات العصبية واستراتيجيات التعلم العميق المتقدمة. الأهم من ذلك، أن هذا النظام يبقي تكاليف التخزين والاستدلال منخفضة، مما يجعله حلاً عملياً وقابلاً للتطبيق على نطاق واسع.

إن تطوير هذه التقنيات يفتح آفاقاً جديدة في تحسين إدارة الطاقة وتخفيض التكاليف، مما يُعتبر خطوة جوهرية نحو تحسين استدامة أنظمة الطاقة في المستقبل.