في عصر تتزايد فيه اعتماد المجتمعات على مصادر الطاقة المتجددة، يصبح تقدير الطلب على الكهرباء (Electricity Demand Forecasting) أمراً حيوياً لضمان استقرار الشبكات الكهربائية. في بحث حديث، تم تقديم Benchmark مثير للدهشة يضم عشرة نماذج من التعلم الآلي مثل Random Forest وXGBoost، لتوقع الطلب اليومي على الكهرباء في إقليم نيو إنجلاند.

تتراوح الفترات الزمنية المدروسة من فبراير 2020 إلى مارس 2023، مما يسمح بتضمين تأثيرات جائحة كوفيد-19 بجانب المتغيرات المناخية. استخدمت الدراسة بيانات من ست مدن، بالإضافة إلى البيانات الكمية مثل أيام العطل وتأثيرات تحتية أخرى لتحسين دقة النماذج المختلفة.

من بين النماذج، برز نموذج CatBoost بأفضل أداء له، حيث سجل RMSE بلغ 8316 MWh، متجاوزاً النماذج الأخرى بما في ذلك XGBoost وHybrid CatBoost. كما أظهر تحليل SHAP أن متغيرات الطلب السابقة كانت الأكثر تأثيراً، مما يدل على ضرورة استغلالها في التوقعات المستقبلية.

عند إزالة الخصائص المتعلقة بكوفيد-19، تحسنت دقة الاختبار بمعدل 1.7%، مما يقدم صورة واضحة عن تراجع نماذج التعلم في ظل العالم الطبيعي. هذا ما يثبت أن التحولات السلوكية للأفراد قد أثرت بشكل كبير على الأنماط السابقة للطلب.

هذا التطور يدعو جميع المعنيين بمجال الطاقة للانتباه إلى كيفية تأثير البيانات التاريخية والعوامل البيئية الحالية في تعزيز دقة التوقعات. فهل ستنجح هذه النماذج في تحسين استراتيجيات إدارة الطاقة؟ شاركونا آراءكم في التعليقات!