التوقع القصير الأجل متعدد الآجال باستخدام هجين من LSTM وانقسام مُعدّل لل.Convolution

يُعد التنبؤ الدقيق بالطلب على المدى القصير (STLF) عاملاً محورياً في ضمان التشغيل السلس لأنظمة الطاقة، والتخطيط المستقبلي للقدرة، وتحديد تشغيل الوحدات، والاستجابة للطلب. ومع ذلك، فإن الطبيعة غير الثابتة للطلب، إلى جانب اعتماده على مجموعة من الخصائص الدورية وغير الدورية المرتبطة بالتقويم، والخصائص الجوية المعقدة ذات الارتباط غير الخطي والمرتفع، يجعل من الصعب تحقيق تنبؤ دقيق باستخدام التقنيات الحالية. وللتغلب على هذه التحديات، تم اقتراح تقنية هجينة جديدة تعتمد على شبكة التذكّر الطويل والقصير (LSTM) وشبكة تلافيفية معدلة (SC) (LSTM-SC) للتنبؤ بالطلب على المدى القصير بخطوة واحدة ومتعددة الخطوات. وتُظهر الترتيب التوافقي بين LSTM وSC في الشبكة الهجينة قدرة متميزة على استخلاص الخصائص المرتبطة بالتسلسل، بالإضافة إلى الخصائص الفضائية الهرمية الأخرى. تم تقييم النموذج باستخدام مجموعة بيانات الطلب من الشبكة الوطنية الباكستانية، التي تم جمعها بواسطة شركة النقل والتحريك الوطنية (NTDC). وقد تم معالجة بيانات الطلب مسبقاً، كما تم دمج سلسلة من الخصائص المرتبطة الأخرى لتعزيز الأداء. ولتقييم قدرة التعميم، تم اختبار أداء نموذج LSTM-SC على مجموعتي بيانات متاحتين للعامة من شركة أمريكين إلكتريك باور (AEP) وشركة مُشغل النظام المستقل لمنطقة نيو إنجلاند (ISO-NE). كما تم دراسة تأثير درجة الحرارة، وهي خاصية مدخلة ذات ارتباط عالٍ، على التنبؤ بالطلب، وذلك من خلال إزالة درجة الحرارة أو إدخال ضوضاء عشوائية من نوع غاوسي إليها. أظهرت نتائج التقييم من حيث جذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ونسبة الخطأ المطلق المتوسط (MAPE)، أن النموذج المقترح حقق قيم 500.98 و372.62 و3.72% على التوالي في التنبؤ متعدد الخطوات، وقيم 322.90 و244.22 و2.38% في التنبؤ بخطوة واحدة، وذلك على بيانات NTDC. وتُظهر النتائج أن الطريقة المقترحة تتميز بخطأ تنبؤ أقل، وقوة تعميم عالية، وأداء مرضٍ على المدى الطويل (multi-horizon).