في ظل التغييرات السريعة في صناعة الطاقة، يعتبر تعلم الآلة وتطور أساليب التوقع (Forecasting) من الضروريات الحيوية. وقد أظهرت دراسة جديدة نتائج ملفتة لتحدي توقع الحمل الكهربائي قصير المدى (Short-term load forecasting - STLF) في شبكة النقل الكهربائية الألمانية، والذي استمر لمدة 41 يومًا. هذا التحدي كان بمثابة اختبار شامل للمتطلبات التي فرضها قانون الذكاء الاصطناعي الأوروبي (EU-AI Act) في بيئات الأمان الحرج.

بالاستناد إلى مكتبة البرمجيات المفتوحة المصدر Python المعروفة بـ spotforecast2-safe، تم تصميم نظام التوقع لاستخدام المعايير الهندسية الضرورية مثل القابلية للتكرار والشفافية. تشمل النتائج القدرة على التنبؤ بقيم الحمل الكهربائي لمدة 24 ساعة بناءً على بيانات شبكة نقل الكهرباء الأوروبية (ENTSO-E)، مع استخدام تقنيات متطورة للكشف عن الشذوذ والتعزيز الفعال للبيانات.

ومن المهم الإشارة إلى أن النظام المحلي المسمى macl2l أثبت تفوقه في الأداء مقارنة بالنماذج الضخمة المعتمدة على أحجام متزايدة من المعلمات، ما يشير إلى أن الحلول الشفافة ذات التكلفة المنخفضة قد تكون بديلاً جديرًا بالاهتمام. تم قياس دقة التوقعات مقابل التوقعات الرسمية من ENTSO-E، ولقد أظهرت الأنظمة المحلية توجهات قوية أدت إلى تحسين فعلي.

الجدير بالذكر أن البنية التحتية للتحدي وتاريخ التقديم الكامل لجميع الفرق موجودة بشكل علني، مما يعزز الشفافية ويضمن إمكانية تتبع النتائج. هل يبدو المستقبل مشرقًا للطاقة المتجددة والذكاء الاصطناعي معًا؟ ما رأيكم في هذا التطور المثير؟ شاركونا آراءكم في التعليقات.