المستخلص
يُعدّ التنبؤ الدقيق والموثوق باستهلاك الطاقة تحديًا بالغ الأهمية في المدن والمنشآت الذكية الحديثة، نظرًا لأهميته في عمليات التحسين الأساسية، وجدواه الاقتصادية للتنفيذ المستقبلي، وتخصيص الموارد، والتخطيط الاستراتيجي. تُقدّم هذه الرسالة حلولًا لهذه التحديات من خلال نظام تنبؤ قوي مبنيّ باستخدام أساليب التعلّم العميق. كما تتناول الرسالة دراسة مدى توافر مجموعات بيانات حديثة لتوفير قياسات دقيقة لهذه الأساليب. وقد تمّت معالجة البيانات مسبقًا من خلال استكمال القيم المفقودة، وتنظيف مجموعة البيانات من البيانات المشوّشة والخصائص غير الضرورية باستخدام تقنيات تقليل الأبعاد. وقد تمّ اختيار القياسات المناسبة لهذه المجموعة من البيانات قبل البدء بنماذج التعلّم العميق، مثل المتوسط والانحراف المعياري والتباين، مع عرضها بيانيًا باستخدام المدرجات التكرارية ورسوم بيانية أخرى مختلفة، وذلك استنادًا إلى مجموعة بيانات جُمعت من حكومة الكهرباء في ديالى/العراق.
ولقد وقع الاختيار في هذه الأطروحة على تقنيتين: الذاكرة طويلة المدى (LSTM) ووحدة التكرار البوابية (GRU)، وذلك لقدرتهما على معالجة مشكلات التقنيات التقليدية، مثل فرط التخصيص، بالإضافة إلى مشكلة خطأ التدرج في الشبكات العصبية المتكررة (RNN). كما تتميز هاتان التقنيتان بقدرتهما على رصد الأنماط الخفية طويلة المدى والظروف الزمنية، لا سيما في مجال التنبؤ بالسلاسل الزمنية. وقد أُجريت عملية التنبؤ لمجموعة البيانات هذه على ثلاثة أنواع من مجموعات البيانات: اليومية والأسبوعية والشهرية، ولكل منها خصائصها المميزة التي دُرست في هذه الأطروحة. وتم تقييم الأداء باستخدام مجموعة من المقاييس، وهي: الدقة، والضبط، والاستدعاء، ومقياس F1، وذلك لتقديم نظرة شاملة على قدرات كل نموذج تنبؤية.
ومن بين كل من LSTM وGRU، أثبتت LSTM استقرارها من خلال أداء قوي عبر جميع الميزات المختارة بعد عملية تقليل الأبعاد. أولًا، بالنسبة للبيانات الشهرية والأسبوعية، حقق النموذج نتائج متطابقة في الدقة والاستدعاء، حيث بلغت 0.973 و0.969 على التوالي. كما اقتربت قيمة F1 من 0.971، مع دقة عالية بلغت 0.97، مما يشير إلى قدرة متوازنة للنموذج المقترح. من جهة أخرى، قدم نموذج LSTM نتائج ومقاييس أكثر دقة عند استخدام مجموعة البيانات اليومية، حيث بلغت الدقة 0.988، والاستدعاء 0.973، وقيمة F1 حوالي 0.98. كما تميز أداء النظام العام بدقة عالية بلغت حوالي 0.98، مما يعني قدرته على استخلاص الأنماط الخفية ذات الصلة في مجموعة بيانات استهلاك الطاقة بكفاءة.
مع ذلك، أظهر نموذج GRU بعض الاختلاف في أحجام البيانات، فعلى الرغم من ارتفاع قيمة الدقة، إلا أن قيمة الاستدعاء كانت منخفضة جدًا، مما أدى إلى عدم توازن مجموعة البيانات وانخفاض قيمة F1 إلى حوالي 0.4. كانت هذه البيانات من بين البيانات الشهرية ذات الدقة المنخفضة التي بلغت حوالي 0.62، مما يشير إلى عدم نجاح الكشف عن أنماط البيانات ذات الصلة، خاصةً في الحالات الصحيحة. تحسّن أداء GRU مع البيانات الأسبوعية، حيث بلغت الدقة والاستدعاء ودرجة F1 على التوالي 0.68 و0.85 و0.76. وكانت الدقة أعلى قليلاً من الدقة الشهرية التي بلغت 0.72.
بمقارنة هذه النتائج بين LSTM وGRU، تبيّن بوضوح تفوّق LSTM في جميع عمليات اختيار الميزات وفي جميع حالات البيانات. يُظهر هذا استقرار LSTM وتوازنه في البيانات. بينما كان GRU أقل استقرارًا وأقل دقة من LSTM، مما يجعل LSTM أكثر ملاءمة وموثوقية لهذا النوع من البيانات، خاصةً عند تسجيل البيانات يوميًا. تم تعزيز نتائج هذه الدراسة من خلال إجراء تحليل مقارن مع دراسات سابقة ذات صلة بنفس المجال.
