في عالم تداول الطاقة، لا يعتمد اتخاذ القرارات فقط على الأسعار الحالية في السوق، بل يمتد ليشمل توقعات الظروف المستقبلية والقيود التشغيلية. هذه العوامل تجعل تمثيل الحالة المقدم لوكيل التعلم المعزز (Reinforcement Learning) اختيارًا تصميميًا ذا أهمية كبيرة. في دراسة حديثة، تم تطبيق هذا المفهوم في بيئة HydroDam المخصصة لتداول الطاقة من خلال تحكيم التخزين المؤقت.

تم استخدام وكيل Double DQN الثابت، حيث حافظ الباحثون على ثبات البيئة، ومساحة الأفعال، ودالة المكافأة، والبنية الشبكية، وبروتوكول التدريب، مع تغيير الميزات السوقية فقط. تم مقارنة ميزات الأسعار المطلقة (Absolute Price)، وميزات الأسعار النسبية (Relative Features) التي تقارن الأسعار الحالية بتاريخ السوق القريب، وميزات التوقعات (Forecast Features)، وكل التركيبات المتاحة لهذه العائلات الثلاث.

تم تدريب السياسات واختيارها باستخدام أسعار التداول المبكرة في بلجيكا من 2007 حتى 2011، وتم تقييم أدائها على مجموعات اختبار مختلفة، من بينها مجموعة اختبار لنفس السوق من 2012 حتى 2025 و39 منطقة سوقية أخرى في ENTSO-E. أظهرت النتائج أن الميزات المطلقة وحدها حققت 28.8% على مجموعة الاختبار، بينما كانت النسبة المتوسطة 5.7% عبر المناطق المختلفة. وحتى مع استخدام الميزات النسبية أو ميزات التوقعات لوحدها، بقيت النتائج منخفضة أمام معيار سعر التقييم.

ومع ذلك، كان الدمج بين عائلات الميزات أقوى بكثير: حيث حققت الميزات المطلقة + النسبية نسبة 49.9% في مجموعة الاختبار و39.8% في المتوسط عبر المناطق، في حين أن الدمج بين جميع الميزات المطلقة + النسبية + التوقعات أدى إلى تحقيق 55.6% و47.5% على التوالي. هذه النتائج تشير إلى أن تمثيل الحالة ليس مجرد خيار معالجة فرعي في التعلم المعزز لتداول الطاقة، بل هو جزء مركزي من تصميم السياسات. يتطلب النقل الفعال دمج مقياس السعر، وسياق السعر النسبي الحديث، ومعلومات التوقعات على المدى القصير، بدلاً من الاعتماد على أي عائلة ميزات واحدة.

ما رأيكم في أهمية دمج الميزات للحصول على أفضل النتائج؟ شاركونا أرائكم في التعليقات.