مقالة بحثية

التنبؤ الاسترجاعي باستخدام بيانات الشبكة الإقليمية ونموذج هجين فيزيائي-اصطناعي قائم على الحصص

22 مشاهدة

⸱

DOI:

10.3791/72395

⸱

أغسطس 28, 2026

 ,  ,  ,  , 
1State Grid Economic and Technological Research Institute Co., Ltd., Techno-Economic Center, 2Finance and Assets Department, State Grid Shandong Electric Power Company, 3Nanjing University

في هذه المقالة

ملخص

تقترح هذه الدراسة نموذجًا هجينًا للتنبؤ بالتكاليف لشبكات الطاقة يجمع بين حصص التكلفة المادية والتعديلات الديناميكية للاقتصاد الكلي والتكنولوجيا، مع تعويض المتبقي بناءً على خوارزمية XGBoost. ومن خلال تحقيق متوسط نسبة الخطأ المطلق (MAPE) قدره 2.34%، يوازن النموذج بين الدقة والقابلية للتفسير، مما يلبي احتياجات الشفافية التنظيمية في تحديد التعرفة.

الملخص

يتطلب التحول العالمي في الطاقة والإصلاحات المستمرة في سوق الكهرباء من مؤسسات شبكات الطاقة الموازنة بين توفير إمدادات طاقة موثوقة وبين اللوائح الصارمة والمتزايدة لتعرفة النقل والتوزيع. وغالباً ما تخفق طرق الميزانية التقليدية القائمة على الاستقراء التاريخي في عكس الأساس المادي لعمليات الأصول، بينما تحقق نماذج التعلم الآلي القائمة على البيانات دقة تنبؤية عالية ولكنها تفتقر إلى الشفافية المطلوبة للتحقق التنظيمي من التكاليف. ولمعالجة المقايضة بين دقة التنبؤ وقابلية التفسير، تقترح هذه الدراسة نموذجاً هجيناً للتنبؤ بالتكاليف يعتمد على حصص التكلفة. يستخدم هذا الإطار حصص التشغيل الموحدة كخط أساس مادي للميزانية، ويتضمن آلية ديناميكية لتطور الحصص مدفوعة بالظروف الاقتصادية الكلية والتقدم التكنولوجي. تم استخدام خوارزمية Extreme Gradient Boosting (XGBoost) لالتقاط البواقي غير الخطية التي تتجاوز التقديرات القائمة على الحصص، بينما استُخدمت SHAP (Shapley Additive exPlanations) لتفسير مساهمة محركات التكلفة الرئيسية. تم تقييم النموذج باستخدام بيانات تشغيلية مجهولة المصدر لمدة 16 عاماً من شبكة كهرباء إقليمية في الصين. وقد حقق النموذج متوسط خطأ نسبة مئوية مطلق (MAPE) قدره 2.34%، مما قلل أخطاء التنبؤ بنسبة 61.8% و46.6% و34.1% مقارنة بنماذج SARIMAX وXGBoost المستقلة ونماذج Attention-LSTM على التوالي. يدمج الإطار المقترح مبادئ حصص التكلفة الهندسية مع الذكاء الاصطناعي القابل للتفسير، مما يوفر تنبؤات دقيقة بالتكاليف على المدى الطويل وأداة شفافة لدعم القرار للتحقق من التكاليف المسموح بها تنظيمياً.

المقدمة

يعيد التحول العالمي في الطاقة تشكيل إدارة أصول شبكات الطاقة والممارسات التشغيلية من خلال دمج التوليد المتجدد الموزع، وزيادة الظواهر الجوية المتطرفة، والنشر الواسع لتقنيات إنترنت الأشياء (IoT)، وكل ذلك يتطلب مرونة تشغيلية أكبر وموارد صيانة أكثر لضمان موثوقية النظام1,2. وفي الوقت ذاته، عزز منظمو الكهرباء الرقابة على تعريفات النقل والتوزيع من خلال أطر عمل مثل RIIO في المملكة المتحدة ومراجعات معدل العائد التابعة للهيئة الاتحادية لتنظيم الطاقة في الولايات المتحدة، مع التأكيد على الشفافية في تبرير التكاليف3. وبالمثل، اعتمدت الصين آلية تنظيمية تقوم على "التكلفة المسموح بها بالإضافة إلى عائد معقول"، مما يتطلب من شركات المرافق إثبات وجود صلات واضحة بين الأنشطة الهندسية والنفقات المالية4. ومع ذلك، غالباً ما تفتقر شركات المرافق إلى أدوات كمية شفافة تربط عمليات الأصول المادية بتوقعات التكاليف، مما يحد من فعالية التحقق الرقابي من التكاليف5.

تعاني مناهج التنبؤ الحالية من قيود جوهرية في هذه البيئة6. فالطرق التقليدية، بما في ذلك الموازنة التزايدية والنماذج القائمة على ARIMA، تفترض وجود أنماط تاريخية مستقرة نسبيًا، وغالبًا ما يكون أداؤها ضعيفًا في ظل التغيرات الهيكلية الناتجة عن التقلبات الاقتصادية أو الظروف الجوية القاسية7. وفي المقابل، توفر نماذج التعلم الآلي الحديثة مثل بنيات LSTM وTransformer دقة تنبؤية عالية للتنبؤات قصيرة المدى، لكنها تفتقر إلى القابلية للتفسير الهندسي المطلوبة لاتخاذ القرارات التنظيمية8,9. ورغم أن مناهج التنبؤ الهجينة الحديثة تدمج بين التقنيات الإحصائية وتقنيات التعلم الآلي، إلا أنها تتجاهل عمومًا حصص التكلفة الهندسية الموحدة التي تستند إليها أنظمة المحاسبة في شبكات الطاقة10. ولمعالجة هذه القيود، تقترح هذه الدراسة إطار تنبؤ هجين قائم على الحصص، يدمج التطور الديناميكي للحصص مع تصحيح المتبقيات القائم على التعلم الآلي، مما يحافظ على القابلية للتفسير الهندسي مع تحسين دقة التنبؤ.

ينبع أحد الاتجاهات البحثية الرئيسية من تنظيم الحوافز في صناعات الاحتكار الطبيعي، بما في ذلك آلية RPI-X في المملكة المتحدة وإطار التحقق من التكاليف المسموح بها في الصين11. وتقوم هذه الدراسات بشكل أساسي بتقييم الكفاءة التشغيلية باستخدام تحليل غلاف البيانات (DEA) وتحليل الحدود العشوائية (SFA)12. وقد بحثت الدراسات السابقة في العلاقات طويلة المدى بين النفقات الرأسمالية (CAPEX)، والنفقات التشغيلية (OPEX)، وكفاءة التكلفة لدعم تنظيم التعرفة الجمركية13,14. وبينما توفر هذه النهج رؤى اقتصادية كلية قيمة، إلا أن مخرجاتها عادة ما يتم التعبير عنها في شكل درجات كفاءة نسبية بدلاً من توقعات نقدية مناسبة للميزانية السنوية15,16. علاوة على ذلك، تفترض نماذج الحدود عموماً استقرار هياكل الأصول المادية وظروف التشغيل نسبياً، مما يحد من قدرتها على رصد التغيرات المفاجئة في التكاليف الناتجة عن تقادم الأصول، أو استبدال البنية التحتية، أو النمو السريع في الطلب17,18.

يركز اتجاه بحثي ثانٍ على نماذج التنبؤ القائمة على الإحصاء والذكاء الاصطناعي. فقد استخدمت الدراسات المبكرة الانحدار الخطي المتعدد ونماذج المتوسطات المتحركة التكاملية ذاتية الانحدار مع متغيرات خارجية (ARIMAX) للتنبؤ بالتكاليف19. ومؤخراً، ساهمت نماذج انحدار متجه الدعم، والغابات العشوائية، وXGBoost، وLSTM، ونماذج Transformer في تحسين أداء التنبؤ بشكل كبير من خلال استغلال العلاقات غير الخطية ومساحات الميزات عالية الأبعاد20,21,22. وغالباً ما تدمج هذه المنهجيات مؤشرات الاقتصاد الكلي مثل الطلب على الكهرباء، ومؤشرات أسعار المنتجين (PPI)، ومتغيرات المناخ23. ومع ذلك، فإن تكاليف تشغيل شبكة الطاقة تنجم عن الأنشطة الهندسية، وتدهور الأصول، وجدولة الصيانة، وقرارات الإدارة، وليس عن متغيرات الاقتصاد الكلي وحدها24. وبناءً على ذلك، غالباً ما تعمل النماذج القائمة على البيانات فقط كـ "صناديق سوداء"، مما يجعل من الصعب تفسير التكاليف المتوقعة أثناء المراجعات التنظيمية أو التحقق من التكاليف المسموح بها25,26.

توفر إدارة حصص التكلفة الهندسية حلاً محتملاً لهذا التحدي27. وقد اعتمد نظام التكلفة القائم على الأنشطة (ABC) لفترة طويلة على حصص تشغيلية معيارية لتقدير متطلبات العمالة والمواد والمعدات والصيانة لعمليات الشبكة الروتينية28. وقد طورت شركات المرافق الصينية الكبرى قواعد بيانات شاملة للحصص تغطي أنشطة الفحص والصيانة والاختبار والإصلاح واستبدال المعدات. ومع ذلك، تُستخدم هذه المعايير الهندسية في المقام الأول لتسوية المشاريع والتدقيق بدلاً من التنبؤ الديناميكي طويل المدى29,30. علاوة على ذلك، عادةً ما يتم مراجعة معايير الحصص كل عدة سنوات فقط، مما يجعلها غير مستجيبة بشكل كافٍ لأسعار السلع المتغيرة والتقدم التكنولوجي والممارسات التشغيلية31. كما يطرح تطبيق أنظمة الحصص عبر الملايين من الأصول الموزعة تحديات حسابية كبيرة للتنبؤ واسع النطاق32.

على الرغم من التطورات الملحوظة في التنبؤ الإحصائي، والتعلم الآلي، وإدارة التكاليف الهندسية، لا يوجد حالياً إطار عمل يدمج بشكل فعال حصص التكاليف الهندسية الموحدة، والتعديلات الاقتصادية الكلية الديناميكية، والتعلم الآلي القابل للتفسير في نموذج تنبؤ موحد للتحقق من التكاليف التنظيمية. وقد افتُرض أن الجمع بين حصص التكاليف المتطورة ديناميكياً والتعلم المتبقي القائم على XGBoost يمكن أن يحسن دقة التنبؤ طويل المدى مع الحفاظ على الشفافية الهندسية المطلوبة لاتخاذ القرارات التنظيمية. ولاختبار هذه الفرضية، تم تطوير إطار تنبؤ هجين قائم على الحصص يدمج نمذجة التكاليف المادية، وآليات التعديل التكنولوجي والاقتصادي الكلي، والتعويض المتبقي باستخدام XGBoost، وتفسير النموذج القائم على SHAP. يهدف النهج المقترح إلى توفير تنبؤات دقيقة بالتكاليف طويلة المدى وأدلة شفافة لدعم التحقق من التكاليف المسموح بها بموجب تنظيمات سوق الكهرباء الحديثة.

البروتوكول

استخدمت هذه الدراسة بيانات تشغيلية ومالية مجهولة المصدر تم جمعها من شبكة كهرباء إقليمية في شرق الصين. وقد جرى تجميع كافة البيانات وإزالة الهويات التعريفية منها قبل التحليل، ولم تتضمن أي معلومات شخصية تعريفية أو معلومات حساسة على مستوى الأفراد. وبناءً على ذلك، لم تتطلب الدراسة موافقة أخلاقية. كما امتثل الوصول إلى البيانات وتحليلها للوائح حماية البيانات المعمول بها والاتفاقيات المؤسسية التي تحكم معلومات قطاع الطاقة.

نظرة عامة على إطار التنبؤ

لدمج نهج التنبؤ القائم على الفيزياء والنهج القائم على البيانات، تم تطوير إطار عمل تنبؤي هجين يجمع بين حصص التكلفة الهندسية والتعلم الآلي. وبدلاً من مجرد دمج خوارزميات متعددة، يتبع إطار العمل مبدأ أن النماذج الفيزيائية تضع التنبؤ الأساسي، بينما يقوم التعلم الآلي بتعويض الأخطاء المتبقية. ويضمن هذا التصميم أن تكون عملية التنبؤ مرتكزة على الآليات الفيزيائية التي تقوم عليها أنشطة إنتاج وتشغيل شبكة الطاقة بدلاً من الاعتماد فقط على استقراء التكاليف التاريخية.

يضع هذا الإطار أولاً تخطيطاً هرمياً يربط بين أصول شبكة الطاقة، وأنشطة التشغيل الموحدة، وحسابات التكاليف المالية. وتُعامل تكاليف الإنتاج والتشغيل كتمثيلات نقدية للموارد التي تستهلكها الأصول المادية — بما في ذلك المحطات الفرعية، وخطوط النقل، ومغذيات التوزيع، وأجهزة القياس، ومعدات الفحص الرقمي — أثناء الأنشطة الروتينية مثل الفحص، والصيانة، والاختبار، والإصلاح، والاستبدال. وتعمل حصص التكلفة كحلقة وصل بين أعباء العمل الهندسية القابلة للقياس والنفقات المالية المقابلة لها.

كما هو موضح في الشكل 1، تعمل حصص التكلفة كوحدات محاسبية معيارية مدمجة في جميع مراحل عملية تشغيل الأصول وصيانتها، بدلاً من كونها قواعد تخصيص مالي مجردة. يتم تحويل أعباء عمل الأصول على المستوى الأدنى إلى حصص تشغيل معيارية، ومن ثم يتم ربطها بفئات التكلفة، بما في ذلك العمالة، والمواد، ومعدات البناء، والخدمات الخارجية، وإمدادات الطوارئ. يحافظ هذا الربط الهرمي على القابلية للتفسير الهندسي وإمكانية التتبع التنظيمي طوال عملية التنبؤ، ويوفر الأساس المادي لبناء نموذج حصص الخط الأساسي الساكن.

نظرة عامة على سير العمل المنهجي

يتكون إطار التنبؤ المقترح من ثلاث مراحل متتالية: (1) بناء خط أساس مادي باستخدام حصص عبء العمل على مستوى الأصول، (2) التطور الديناميكي لحص التكلفة من خلال التعديلات الاقتصادية الكلية والتكنولوجية، و(3) تعويض المتبقي القائم على التعلم الآلي لالتقاط التأثيرات غير الخطية المنهجية. وكما هو موضح في الشكل 1، يضع الإطار تخطيطاً هرمياً يمتد من الأصول في المستوى الأدنى والأنشطة التشغيلية الموحدة إلى تنبؤات تكاليف الإنتاج والتشغيل. وتُوصَف تفاصيل تنفيذ كل مرحلة في الأقسام الفرعية التالية.

نموذج تكلفة الأساس المادي بناءً على أحمال العمل على مستوى الأصول

تكون تكلفة إنتاج وتشغيل شبكة الطاقة، Ctotal، من النفقات المرتبطة بأنشطة تجارية متعددة، بما في ذلك تشغيل المحطات الفرعية، وصيانة خطوط النقل، وإدارة شبكة التوزيع، وخدمة العملاء، والأنظمة الداعمة. وفي هذه الدراسة، يُفترض أن تكلفة التشغيل الأساسية يتم تحديدها من خلال عبء العمل الناتج عن كل نشاط تشغيلي معياري وحصة التكلفة المقابلة له.

يتم حساب تكلفة خط الأساس الثابت كما يلي:

الصيغة الرياضية لحساب C_base,t باستخدام رموز المجموع؛ تُستخدم في تحليل البيانات.   (1)

حيث يشير Vi,k,t إلى عبء العمل المرتبط بالأصل أو المهمة التشغيلية رقم i ضمن فئة الأعمال k خلال الفترة t، ويمثل Qi,k تكلفة الوحدة المعيارية المقابلة والمحددة بنظام حصص التكلفة الهندسية. وتتضمن فئة الأعمال الوظائف التشغيلية الرئيسية مثل صيانة المحطات الفرعية، وفحص خطوط النقل، وتشغيل شبكة التوزيع، وخدمة العملاء. ويعمل الجمع المزدوج على تجميع تكاليف جميع الأنشطة التشغيلية المعيارية لتقدير الإنفاق المرجعي النظري المطلوب للحفاظ على التشغيل الطبيعي للشبكة.

تحدد المعادلة (1) العلاقة الفيزيائية بين أعباء العمل الهندسية والنفقات المالية من خلال ربط الأنشطة التشغيلية الموحدة مباشرة بحسابات التكلفة. وبخلاف نماذج التنبؤ الإحصائية البحتة، توفر هذه الصيغة خط أساس هندسي قابل للتفسير يعمل كأساس للتعديل الديناميكي للحص وتصحيح المتبقي بناءً على تعلم الآلة في المراحل اللاحقة. وقد تم تطوير هذه المعادلة استنادًا إلى الممارسات التشغيلية ونظام حصص التكلفة المستخدم من قبل شركات شبكات الطاقة الإقليمية في الصين. يلخص الجدول 1 الرموز المستخدمة في المعادلة (1)، بما في ذلك عبء العمل (Vi,k,t)، وتكلفة الوحدة الموحدة (Qi,k)، وعدد المهام التشغيلية (Nk)، ومؤشر فئة الأعمال (k).

آلية التطور الديناميكي للحص تحت تأثير الاضطرابات البيئية الخارجية

توفر حصص التكلفة الموحدة (Qi,k) خط أساس يمكن تفسيره مادياً، ولكنها لا تأخذ في الحسبان التغيرات في الظروف الاقتصادية الكلية أو التقدم التكنولوجي. ولتحسين قابليتها للتطبيق على المدى الطويل، تم إدخال آلية تطور ديناميكية لتعديل حصص خط الأساس استجابةً لكل من تضخم الأسعار ومكاسب الكفاءة المدفوعة بالتكنولوجيا.

يأخذ التعديل الأول في الاعتبار التغيرات في تكاليف التوريد الناتجة عن التضخم الاقتصادي الكلي. تعتمد عمليات تشغيل وصيانة شبكة الطاقة بشكل كبير على المواد الخام، بما في ذلك النحاس والألومنيوم وصلب السيليكون، والتي ترتبط أسعارها ارتباطاً وثيقاً بالتقلبات في مؤشر أسعار المنتجين (PPI). ولأن معادلة حساب المؤشر الاقتصادي، والتي تتضمن مؤشر مستوى الأسعار، الرمز {I{PPI,t}. هو مؤشر بقيمة أساسية تبلغ 10، ويتم تحويله أولاً إلى معدل تضخم معياري:

صيغة مؤشر الأسعار، حساب مؤشر أسعار المنتجين (PPI)، معادلة تحليل التضخم والبحوث الاقتصادية.   (2)

وبناءً على ذلك، فإن دالة تصحيح السعر صيغة التوازن الاستاتيكي Φ(I[PPI],t)، معادلة، فيزياء، مبدأ التوازن، تحليل بحثي. تُعرَّف على أنها:

صيغة الاتزان الساكن، تدوين رمز المجموع Σ، مفهوم رياضي تعليمي، تحليل المعادلات.   (3)

أين التوازن الساكن، ΣF=0، MA=0؛ يوضح المخطط توازن القوى من أجل التحليل الإنشائي، للاستخدام التعليمي. هو متجه أوزان لإبطاء الزمن (lag-weight vector) بطول لـ مُرضٍ

صيغة الاتزان الساكن، Σωτ=1، ωτ≥0، المعادلة الرياضية لتحليل المجموع.

يمثل هيكل الفجوة الزمنية الانتقال المتأخر للتضخم الاقتصادي الكلي إلى تكاليف المشتريات ضمن سلسلة توريد شبكة الطاقة. ويحافظ تحويل مؤشر PPI إلى معدل تضخم معياري على التأثير التراكمي لتغيرات الأسعار مع تجنب انحياز القياس المرتبط بالاستخدام المباشر لقيم المؤشر. وقد تم تكييف المعادلتين (2) و(3) من نماذج تعديل التضخم الاقتصادي الكلي الراسخة، مع معايرة هيكل الفجوة الزمنية ليتناسب مع دورات المشتريات في قطاع الطاقة3,34.

تم دمج التقدم التكنولوجي من خلال عامل خفض التكاليف الذي يعكس التحسينات في الكفاءة التشغيلية الناتجة عن تطورات مثل الفحص بواسطة المركبات الجوية غير المأهولة، والروبوتات الذكية، وتقنيات الصيانة الرقمية. ويُعرَّف عامل التعديل التكنولوجي على النحو التالي:

معادلة النموذج الاقتصادي، Γ(E_tech,t)=1-α·ln(1+β·E_tech,t)، التي توضح نمو التكنولوجيا.  (4)

في هذا الجزء، تمثل α و β معاملات مرونة تجريبية تم تقديرها من بيانات بانل التاريخية باستخدام المربعات الصغرى غير الخطية. ولضمان أن عامل التقدم التكنولوجي يمثل دائماً خفضاً معقولاً في تكلفة الحصة الوحدة، فإن عملية تقدير المعلمات تفرض القيد 0 < Γ(Etech,t) ≤ 1. وتجدر الإشارة إلى أن هذا العامل يعكس بشكل أساسي التحسن في الكفاءة على المدى الطويل الناتج عن استبدال التكنولوجيا الناضجة. وتعد المعادلة (4) أصلية في هذا العمل، حيث تم تكييف مفهوم منحنى التعلم من أدبيات تكلفة تكنولوجيا الطاقة35,36 لتناسب عمليات صيانة الشبكة. أما التكاليف الإضافية التي قد تنشأ خلال المرحلة المبكرة من نشر المعدات الرقمية، مثل التشغيل المتوازي للأنظمة القديمة والجديدة، وتكامل المنصات، واختبارات الاتصال، والصيانة الإضافية، فلا يتم خصمها قسراً من الحصة المرجعية؛ بل يتم تحديدها من خلال وحدة تعويض البواقي القائمة على تعلم الآلة في الخطوة التالية:

صيغة التوازن الساكن، C_quota,t = C_base,t · Φ(PPI,t) · Γ(E_tech,t)، معادلات، تحليل.  (5)

حيث Cقاعدة، ت يشير إلى تكلفة الأساس الثابتة المحسوبة من أعباء عمل الأصول في المستوى الأدنى وحص تكاليف التشغيل الموحدة؛ صيغة الاتزان الساكن Φ(I[PPI],t)، معادلة، فيزياء، مبدأ الاتزان، تحليل بحثي. يصيغ تأثير انتقال تقلبات الأسعار الكلية على أسعار المواد والمعدات والخدمات الخارجية؛ و Γ(Eتقنية، ت) يعكس الانخفاض في تكاليف تشغيل وصيانة الوحدة القائم على الكفاءة بعد نضج التكنولوجيا. ومن خلال آلية التطور الديناميكي المذكورة أعلاه، لم يعد خط الأساس للحصة مجرد أساس محاسبي ثابت، بل يمكن تعديله تكيفياً مع التغيرات في البيئات الاقتصادية والظروف التكنولوجية. وتعد المعادلة (5) أصلية في هذا العمل، وهي تمثل التكامل المبتكر لتصحيحات السعر والتكنولوجيا ضمن إطار خط الأساس للحصة.

الالتقاط الممنهج للمخلفات غير الخطية تحت قيود الحصة

على الرغم من التصحيحات التطورية المعقدة، فإن نموذج الحصة يولّد حتماً انحرافات منهجية عند مواجهة الاضطرابات الجوية غير المتوقعة المرتبطة بالكوارث والتوجيهات السياساتية المفاجئة، مثل زيادة تكاليف معالجة شكاوى خدمة العملاء خلال فترات خفض التعرفة المؤقتة. ويشكل هذا الانحراف الحد المتبقي على كلا جانبي المعادلة:

Rt=Cactual,t-Cquota,t  (6)

بما أن القواعد الفيزيائية التقليدية لا يمكنها تفسير هذا الجانب، فإن التعلم الآلي يمكنه معالجة هذه القيود. ولتجنب "لعنة الأبعاد" الناتجة عن الميزات عالية الأبعاد، تستخدم هذه الدراسة خوارزمية XGBoost القائمة على مجموعات أشجار القرار لنمذجة العلاقة غير الخطية Rt37,38. تم تعريف مصفوفة ميزات الاضطرابات القوية Xt، والتي تتضمن ميزات أرصادية مثل أيام التجمد القصوى السنوية Dice  وكثافة السياسات الكلية.

بالنسبة لمعوض غير خطي يتكون من أشجار الانحدار، فإن منطق توليد المتبقي المتوقع هو رمز R-hat لتحليل التقارب، يوضح الطريقة الإحصائية، مع الصيغة بتنسيق رسومي. يمكن التعبير عنه بـ39:

معادلة التنبؤ بتعزيز التدرج، الصيغة الرياضية، Σ fm(Xt)، الخوارزمية، نمذجة البيانات.   (7)

حيث ترمز F إلى فضاء جميع هياكل أشجار التصنيف والانحدار الممكنة. ولتحقيق التوازن بين دقة الملاءمة ومنع الإفراط في الملاءمة، يتم بناء دالة هدف منتظمة تحتوي على حد جزاء للتعقيد الهيكلي، ثم يتم تقليلها في التكرار رقم m:

معادلة الأمثلة الرياضية، التي تعبر عن عملية جمع لملاءمة تحليل البيانات.   (8)

أين ترميز الكيت للتراكب الكمي |0⟩، صيغة ميكانيكا الكم، تُستخدم في المخططات الفيزيائية. هي دالة خسارة محدبة تقيس الفرق بين الباقي الحقيقي والباقي المتوقع. تعتمد هذه الورقة دالة خسارة هيوبر (Huber Loss) لتعزيز متانة النموذج تجاه الإنفاقات الذروية غير الطبيعية. أما حد التنظيم رمز قانون أوم؛ دالة أوميجا في المعادلة الرياضية؛ التمثيل الصيغي. تُستخدم لتقييد تعقيد بنية الشجرة، وتُعرَّف على أنها:

معادلة الأمثلة Ω(fm)=γTm+(1/2)λ||wm||^2؛ صيغة رياضية؛ استخدام تعليمي.   (9)

حيث تمثل Tm عدد العقد الورقية في الشجرة رقم m، ويمثل wm متجه وزن الورقة المقابل، بينما تشير γ و λ إلى معامل جزاء عدد العقد الورقية ومعامل تنظيم الوزن، على التوالي.

معادلة التنبؤ النهائية هي:

معادلة النمذجة الاقتصادية، صيغة تخصيص الموارد، طريقة التحليل المالي، صورة المعادلة.   (10)

توسيع إضافي كـ:

معادلة خط الأساس للحصة الديناميكية؛ تعويض المتبقي غير الخطي؛ طريقة تحليل الصيغة.   (11)

تمثل الصيغة أعلاه رياضياً بنية الحلقة المغلقة لنموذج التنبؤ المقترح. لا يتم توليد الطلب النهائي على تكاليف الإنتاج والتشغيل مباشرة بواسطة نموذج تعلم الآلة؛ بل يتم الحصول عليه من خلال دمج التعويض المتبقي غير الخطي الذي حددته وحدة تعلم الآلة مع الخط الأساسي للحصة الديناميكية. ومن بين هذه المكونات، تعكس عوامل السعر والتكنولوجيا بشكل أساسي التطور الديناميكي للخط الأساسي للحصة، بينما يتم رصد العوامل التي يصعب توصيفها صراحةً من خلال القواعد، مثل الصدمات المناخية، والاضطرابات السياساتية، والزيادات المفاجئة في أحداث الإصلاح، بواسطة وحدة تعويض المتبقي القائمة على تعلم الآلة. وتعد المعادلتان (10) و(1) أصليتين في هذا العمل، حيث تدمجان الخط الأساسي الفيزيائي مع رصد المتبقي المعتمد على تعلم الآلة في إطار تنبؤ موحد.

الشكل 2 يوضح أن نتائج التنبؤ للنموذج المقترح تُظهر منطق توليد هرمي واضح. فمن ناحية، توفر الحصة الأساسية أساساً مادياً مستقراً وشفافاً وقابلاً للتدقيق لطلب التكلفة؛ ومن ناحية أخرى، تتيح تعديلات الأسعار، وتأثيرات التكنولوجيا، وبواقي الصدمات الخارجية للنموذج التكيف مع التغييرات الديناميكية في ظل البيئات المعقدة. ومقارنة بنماذج الصندوق الأسود التي تخرج القيم المتوقعة مباشرة، يمكن لبنية التفكيك هذه أن تكشف بوضوح "سبب ارتفاع أو انخفاض التكاليف"، مما يعز قابلية تفسير نتائج النموذج في مراجعة الميزانية وتنظيم تعريفات النقل والتوزيع.

مصادر البيانات وإجراءات الجمع

يجب التحقق من النماذج النظرية بدقة من خلال البيانات التجريبية لإثبات فائدتها العملية. ونظرًا لأن البيانات المالية الأساسية لقطاع الطاقة تتضمن معلومات حساسة تتعلق بعمليات البنية التحتية الوطنية، تستخرج هذه الدراسة بيانات محاسبية شهرية مجهولة المصدر وعالية الدقة من شبكة كهرباء إقليمية نموذجية في شرق الصين، يُشار إليها باسم E-Grid للتسهيل، وتغطي 16 سنة تقويمية متتالية من 2010 إلى 2025. وقد شهد هذا الإقليم دورة اقتصادية نموذجية تتمثل في التحول من النمو القائم على الصناعات الثقيلة التقليدية إلى التصنيع عالي التقنية، حيث بلغ معدل النمو السنوي المركب لحجم أصول الشبكة 7.4%. وبناءً على ذلك، فإن التطور المعقد في هيكل تكاليفها قد يكون ذا صلة بأنظمة الشبكات الأخرى سريعة التطور. وتستمد البيانات من ثلاثة مصادر رئيسية: (1) سجلات التشغيل والصيانة الداخلية التي ترصد أعباء العمل على مستوى الأصول، وتكرار عمليات الفحص، وأحداث الإصلاح؛ (2) أنظمة المحاسبة المالية التي توفر بيانات التكاليف الشهرية للعمالة والمواد والمعدات والخدمات الخارجية؛ و(3) قواعد البيانات البيئية الخارجية بما في ذلك السجلات الأرصادية من إدارة الأرصاد الجوية الصينية والمؤشرات الاقتصادية الكلية من المكتب الوطني للإحصاء.

مراقبة الجودة ومعالجة البيانات المفقودة

تم تطبيق إجراء صارم لمراقبة الجودة لأكثر من 130 مؤشرًا أوليًا تم دمجها من أنظمة متعددة المصادر. وتم التعامل مع نقاط البيانات المفقودة، والتي شكلت أقل من 3% من إجمالي الملاحظات، باستخدام الاستيفاء الخطي للمتغيرات المستمرة ذات الاتجاهات الزمنية، وتعويض المنوال للمؤشرات الفئوية. كما تم تحديد القيم الشاذة باستخدام طريقة المدى الربيعي (IQR)، حيث تم إجراء عملية "وينزوريزيشن" (winsorized) للقيم التي تتجاوز 3.0 أضعاف المدى الربيعي فوق الربيع الثالث إلى المئوية 9 للحفاظ على سلامة البيانات وتخفيف تشويه القيم المتطرفة.

اعتبارات حجم العينة

تكون مجموعة البيانات من 192 ملاحظة شهرية (من يناير 2010 إلى ديسمبر 2025)، حيث تم تخصيص 156 ملاحظة (2010–202) للتدريب والتحقق، واحتجاز 36 ملاحظة (2023–2025) للاختبار خارج العينة. ورغم أن حجم هذه العينة متواضع نسبياً بالنسبة لتطبيقات التعلم العميق، إلا أنه مناسب لخوارزمية XGBoost، المصممة خصيصاً لتقديم أداء جيد مع مجموعات البيانات الجدولية الصغيرة والمتوسطة من خلال آليات التسوية وتقليم الأشجار. وللحد من مخاطر الإفراط في الضبط المحتملة، تم تطبيق ما يلي: (1) جزاءات تسوية صارمة (γ = 0.1, λ = 1.0)، و(2) التوقف المبكر بصبر يصل إلى 50 جولة، و(3) قيود محافظة على عمق الشجرة (max depth = 5). وتضمن هذه الإجراءات مجتمعة استقرار النموذج وقدرته على التعميم رغم محدودية حجم العينة.

تقسيم البيانات والتكامل غير المتجانس متعدد المصادر

لأغراض الاختبار الدقيق، تم تعيين البيانات من يناير 2010 وحتى ديسمبر 202 للفترة التدريبية-التحققية، والتي تضم 156 ملاحظة، وتُستخدم لتدريب عوامل تطور الحصة وشبكة المتبقيات لتعويض الحص. أما الفترة من يناير 2023 إلى ديسمبر 2025 فقد خُصت كمجموعة اختبار خارجية مستقلة، وتضم 36 ملاحظة. لماذا تم اختيار هذه الفترة كساحة الاختبار النهائية؟ السبب هو أن هذه السنوات الثلاث تزامنت مع تسارع بناء أنظمة الطاقة من النوع الجديد، مضافاً إليها أحداث درجات الحرارة المرتفعة واسعة النطاق المرتبطة بظاهرة El Niño، والنمو السريع وغير المتكافئ لتوليد الطاقة المتجددة الموزعة. وقد واجهت شبكة الطاقة ضغوطاً غير مسبوقة في سلاسل توريد المواد وتخصيص عمالة الإصلاح.

يعد الاختيار العلمي والتعريف الكمي للعوامل المسببة للتكاليف حجر الزاوية لضمان قدرة الشبكة المتبقية للتعلم الآلي على التقاط التقلبات المنهجية بشكل فعال. وبناءً على منطق إدارة تكاليف التشغيل القياسية في أنظمة الطاقة، يتجاوز هذا البحث البعد الأحادي للتنبؤ المالي التقليدي، الذي يعتمد فقط على التدفقات النقدية التاريخية، وبدلاً من ذلك يقوم بإعادة بناء هندسة الميزات من أربعة حدود أساسية هي: حجم الأصول المادية، وظروف التشغيل والصيانة، والتطور الاقتصادي الكلي، والبيئة المناخية الخارجية، وذلك باستخدام سجلات التشغيل الأصلية ودفاتر النظام الخارجية. وفي عملية النمذجة الفعلية، وبالنسبة لأكثر من 130 مؤشراً أصلياً ناتجة عن تكامل الأنظمة متعددة المصادر، استخدمت هذه الدراسة اختبارات ارتباط بيرسون لاستبعاد المتغيرات الفائضة ذات الارتباط الخطي العالي، بعتبة |r| > 0.85. وبناءً على المعرفة المسبقة لخبراء الشبكات الكهربائية المتقدمين، تم اختيار 42 ميزة إدخال أساسية في النهاية لتشكيل مصفوفة الميزات Xt. ولتوضيح بنية البيانات الأساسية وتوزيع تينسور الإدخال، يختار الجدول 2 اثني عشر ميزة أساسية ممثلة من أبعاد التقييم الأربعة المذكورة أعلاه ويلخص إحصاءاتها الوصفية على مدار فترة الملاحظة.

لمزيد من التوضيح للأساس المكاني-الطوبولوجي لنظام الميزات متعدد المصادر، يعرض الشكل 3 مخططاً طوبولوجياً مجهول الهوية لشبكة الطاقة الإقليمية قيد الدراسة. يدمج الشكل محطات التحويل ذات مستويات الجهد المختلفة، وممرات النقل، ومجموعات الطاقة المتجددة الموزعة، ومراكز الأحمال، ونطاقات الاضطرابات البيئية التمثيلية. وتساعد هذه الطوبولوجيا في تفسير سبب تأثر تكاليف الإنتاج والتشغيل بشكل مشترك بحجم الأصول، وبنية الشبكة، وكثافة الإصلاحات الطارئة، والصدمات المناخية الخارجية. كما توفر أساساً للتفسير المكاني لمتغيرات دفع المتبقيات المستخدمة في وحدة تعويض XGBoost.

يوضح الجدول 2 أن المتغيرات التفسيرية عبر مختلف الأبعاد التجارية تظهر أشكالاً إحصائية مختلفة تماماً. تملك متغيرات الأصول المادية التي تمثل ديناميكيات تطوير المؤسسة الداخلية، مثل سعة المحطات الفرعية وطول الخطوط، انحرافات معيارية وقيم التواء مستقرة نسبياً تتركز بين 0.1 و0.8. ويعد هيكل بياناتها العام موزَّعاً بشكل طبيعي تقريباً، مما يعكس بموضوعية سمة التطوير المستقر للشبكة الكهربائية في دورة إنشاء البنية التحتية. وفي مقابل ذلك تماماً، تظهر متغيرات الأرصاد الجوية والاضطرابات البيئية الخارجية في أسفل الجدول؛ فعلى سبيل المثال، يظهر العدد التراكمي لأيام درجات الحرارة المرتفعة بمستوى التحذير على مدار الـ 90 يوماً الماضية ومؤشر تأثير تعطل الخطوط التواءً قوياً جداً نحو اليمين، بقيم التواء تبلغ 2.15 و2.45 على التوالي. ويؤكد هذا التوزيع نموذجي التذييل الثقيل وجود نقطة ضعف موضوعية لا يمكن تجاهلها في عمليات تشغيل وصيانة الشبكة الكهربائية الفعلية: فبالرغم من أن الكوارث الجوية القصوى تحدث بشكل غير متكرر نسبياً على مدار الخط الزمني السنوي، إلا أنها بمجرد وقوعها غالباً ما تسبب زيادات أسّية في مدخلات عمالة الإصلاح واستهلاك قطع الغيار. ومن منظور آخر، فإن عدم التجانس العالي والتواء القيم القصوى في توزيع هذه السمات متعددة المصادر يكشف عن القيود النظرية لنماذج السلاسل الزمنية الخطية التقليدية، مثل ARIMAX، والتي تستند إلى افتراضات التوزيع الطبيعي وتجانس التباين عند تتبع تكاليف الشبكة الكهربائية المعقدة. وهذا لا يرسخ فقط منطقية إدخال وحدة تعلم آلي تتجاوز خط الأساس للمحاسبة المادية، بل يوفر أيضاً دعماً إحصائياً قوياً لاختيار هذه الورقة لنموذج شجرة XGBoost، الذي يمكنه التعامل بكفاءة مع توزيعات السمات المتناثرة والخرائط غير الخطية لتقريب متبقيات التكلفة.

إعداد نظام تقييم وتحسين المعلمات الفائقة

بعد تحديد فضاء مدخلات الميزات، يؤثر ضبط المعلمات الفائقة للنموذج بشكل مباشر على أداء ملاءمة شبكة تقريب المتبقيات. وبما أن شبكة تعويض XGBoost تتضمن معلمات متعددة، بما في ذلك عمق الشجرة (max depth)، ومعدل التعلم، وبنود جزاء التسوية، وبما أن هذه المعلمات لها تفاعلات غير خطية، فإن البحث الشبكي التقليدي لا يتسم بتعقيد حسابي عالٍ فحسب، بل يميل أيضاً إلى الانحباس في القيم الدنيا المحلية في الفضاءات عالية الأبعاد. لذلك، تُقدم هذه الدراسة مقدر بارزن ذو البنية الشجرية (TPE)، وهو أسلوب تحسين بايزي، في عملية ضبط المعلمات. يمكن لخوارزمية TPE توجيه اتجاهات أخذ العينات اللاحقة ديناميكياً باستخدام التغذية الراجعة لدالة الخسارة من التقييمات السابقة. ومن خلال بناء تقدير كثافة النواة (KDE) البعدي للمتغير الهدف، تقوم الخوارزمية بتضييق فضاء البحث عن المعلمات بشكل تكيفي، مما يسمح للنموذج بتقريب التكوين الأمثل العالمي للمعلمات الفائقة دون تكبد تكلفة حسابية عالية. كان هدف تحسين TPE هو تقليل RMSE للتحقق عبر 10 تكرار، مع التوقف المبكر بعد 50 جولة دون حدوث تحسن.

بعد إتمام عملية تحسين المعلمات على مجموعة التحقق الداخلية، ومن أجل تقييم الأداء النهائي لكل نموذج بموضوعية على مجموعة الاختبار الخارجية وتلبية متطلبات التقييم الكمي التي تفرضها الجهات التنظيمية للتحقق من التكلفة، تستخدم هذه الدراسة متوسط نسبة الخطأ المطلق (MAPE) لقياس الانحراف النسبي في التسلسل المتوقع. وفي الوقت ذاته، ولمعالجة الحاجة العملية للسيطرة على حالات الفشل القصوى في توقع التكاليف أثناء التشغيل، تم إدراج جذر متوسط مربع الخطأ (RMSE) لفرض عقوبات أقوى على الأخطاء الأكبر. وأخيرًا، يقوم معامل التحديد، R2، بقياس القوة التفسيرية العامة للانحدار بالنسبة لتباين الهدف الحقيقي.

التعريفات الرياضية للمؤشرات هي كما يلي:

صيغة متوسط الخطأ المئوي المطلق (MAPE)؛ التحليل الإحصائي؛ حساب قياس الخطأ.   (12)

معادلة جذر متوسط مربع الخطأ (RMSE)؛ قياس الخطأ الإحصائي؛ توضيح الصيغة.    (13)

صيغة R² لتحليل الانحدار الإحصائي؛ مخطط المعادلة لتقييم دقة مطابقة البيانات.   (14)

أين معادلة إجهاد التدفق الديناميكي، C_actual,t، الرمز في التعبير الرياضي، ميكانيكا المواد. يمثل تكلفة الإنتاج والتشغيل الفعلية في الفترة t، معادلة التركيز الكلي مع رموز التقدير (القبعات)، \( \hat{C}_{total,t} \)، في سياق التحليل العلمي. يمثل التكلفة المتوقعة وفقاً للنموذج، معادلة تدوين المتجهات، $\vec{C}_{\text{actual}}$، والتي تتميز بوجود سهم فوق حرف C، وهي ذات صلة بمفاهيم الفيزياء. تمثل متوسط التكلفة الفعلية في عينة الاختبار، وN هو عدد العينات في مجموعة الاختبار.

النتائج

مقارنة بانورامية مختزلة الأبعاد لدقة التنبؤ

عند تقييم كافة النماذج التي تم تحسينها باستخدام مقدر بارزن ذو البنية الشجرية (TPE) على مجموعة اختبار خارج العينة للفترة 2023–2025، والتي شملت تقلبات التعافي ما بعد الجائحة وأحداث ارتفاع درجات الحرارة الشديدة، أمكن إجراء مقارنة موضوعية لأداء خوارزميات التنبؤ السائدة. ولتقديم تقييم دقيق وشامل، تم تضمين أربعة نماذج مرجعية تمثل مناهج منهجية مختلفة: التمهيد الأسي التقليدي (Traditional Exponential Smoothing)، الذي يمثل التنبؤ المالي التقليدي؛ ونموذج SARIMAX، الذي يمثل نمذجة السلاسل الزمنية الموسمية الخطية؛ وانحدار XGBoost المستقل، الذي يمثل نهجاً قائماً على البيانات فقط دون قيود الحص؛ ونموذج Attention-LSTM، وهي شبكة ذاكرة طويلة قصيرة المدى معززة بآلية الانتباه وتُستخدم على نطاق واسع للتنبؤ بالتسلسلات الطويلة.

كما هو موضح في الجدول 3، تفوق نموذج Quota-ML المقترح على جميع النماذج المرجعية في التنبؤ بتكاليف الإنتاج والتشغيل خلال فترة خارج العينة للفترة 2023–2025. حقق النموذج نسبة MAPE بلغت 2.34%، مما أدى إلى تقليل خطأ التنبؤ بنسبة 61.8% مقارنة بنموذج SARIMAX (6.12%) وبنسبة 34.1% بالنسبة لنموذج Attention-LSTM (3.55%). وكانت قيمة RMSE (15.69 مليون CNY) وMaxAE (23.05 مليون CNY) أقل من نصف القيم المسجلة لأفضل شبكة عصبية تالية، بينما أشارت قيمة R2 البالغة 0.957 إلى أن النموذج فسر أكثر من 95% من التباين في التكاليف المرصودة. وتثبت هذه النتائج أن دمج حصص تكلفة الهندسة، والتطور الديناميكي للحصص، وتعويض البواقي القائم على XGBoost يحسن بشكل كبير من دقة التنبؤ وقوته مقارنة بطرق السلاسل الزمنية التقليدية والنماذج المعتمدة كلياً على البيانات.

كما هو موضح في الشكل 4، أظهرت تكاليف الإنتاج والتشغيل الفعلية تقلبات موسمية واضحة وعدة فترات ذروة بارزة خلال فترة الاختبار. وعلى وجه الخصوص، ارتفعت التكاليف بشكل حاد خلال أحداث درجات الحرارة المرتفعة للغاية في شهري يوليو وأغسطس 2024. وبالرغم من أن نموذج Attention-LSTM قد رصد الاتجاه الموسمي العام، إلا أن تنبؤاته كانت سلسة نسبياً وبالغت في تقدير الزيادات المفاجئة في التكاليف المرتبطة بالإصلاحات الطارئة، وتحميل المعدات الثقيلة، وزيادة استهلاك الإمدادات الطارئة. أما نموذج XGBoost المستقل فقد استجاب بشكل أكثر فعالية للتقلبات المحلية، ولكنه انحرف عن المسار المرصود خلال عدة أشهر بسبب افتقاره إلى قيود الحصة الهندسية. وفي المقابل، تتبع نموذج Quota-ML المقترح مسار التكلفة المرصود بدقة طوال فترة الاختبار، وأعاد إنتاج كل من طفرة التكاليف في صيف 2024 وذروة الصيف الثانوية في عام 2025 بدقة.

يوضح الأداء المتفوق لنموذج Quota-ML فائدة الجمع بين حصص تكاليف الهندسة والتصحيح المتبقي القائم على التعلم الآلي. حيث توفر خط الأساس الديناميكي للحص أساساً قابلاً للتفسير فيزيائياً يعكس تطور أصول شبكة الطاقة وأعباء العمل التشغيلية، مما يمنع التعلم غير المقيد من بيانات السلاسل الزمنية المالية المحدودة. بعد ذلك، تركز شبكة تعويض المتبقي على الاضطرابات غير الخطية التي يصعب تمثيلها باستخدام قواعد الحصص الهندسية وحدها، بما في ذلك الأحداث الجوية، والزيادات المفاجئة في أوامر عمل الصيانة، والتغييرات المرتبطة بالسياسات. ونتيجة لذلك، حقق النموذج المقترح أدنى قيم لـ MAPE و RMSE من بين جميع الطرق التي تم تقييمها (الجدول 3) ووفر التتبع الأكثر دقة لذروات التكاليف الموسمية والأحداث القصوى (الشكل 4)، مما يثبت ملاءمته للتنبؤ بتكاليف الإنتاج والتشغيل على المدى الطويل.

التحقق من صحة الاستئصال للمكونات المعمارية الأساسية

في إطار هجين معقد يتكون من وحدات فرعية متداخلة، يتركز جوهر المراجعة الأكاديمية عادةً على ما إذا كان النموذج يعاني من "الإفراط في الهندسة". لذا، فإن إجراء تجارب استئصال داخلية عن طريق إزالة المكونات الأساسية يعد أمراً ضرورياً لاستكشاف العلاقات المتبادلة الحقيقية ومستويات المساهمة لكل وحدة. وتحدد هذه الدراسة مسارين للتدهور في البنية؛ الأول هو "البنية أ"، التي تزيل آلية التطور الديناميكي: حيث يتم تقييد خط الأساس للحصة قسرياً بالمعايير الفيزيائية الساكنة السابقة، مما يؤدي إلى تجريده من تأثيرات تراكم التضخم الكلي وعوامل انكماش التقدم التكنولوجي في السنوات الأخيرة، والإبقاء فقط على خط الأساس الساكن التاريخي. معادلات التوازن الاستاتيكية، C_base,t؛ الصيغة الرياضية للاستقرار؛ مخطط تعليمي. مرتبط بالشبكة المتبقية (residual network). ثانياً، الهيكل ب (Structure B)، الذي يستبعد وحدة تتبع المتبقيات غير الخطية: حيث يتحول النموذج بالكامل إلى نهج اكتواري، مما يؤدي إلى قطع حلقة التقاط التقلبات العشوائية الموجهة بالذكاء الاصطناعي، والاعتماد مباشرة على قيمة حساب الحصة الديناميكية الصرفة. معادلة الكروماتوغرافيا، C_quota,t، تحليل الملاءمة الطيفية، مخطط البحث العلمي.، بعد تصحيح البيئة الكلية، كناتج نهائي. ويتم حساب نسبة فقدان التباين المفسر بناءً على الانخفاض النسبي في R2 بين النموذج الكامل والنموذج المتدهور، والمُعرَّفين على النحو التالي:

صيغة فقدان التباين المفسر؛ التحليل الإحصائي؛ طريقة حساب R²؛ تفسير البيانات.   (15)

جدول 4’s تكشف دراسة الاستئصال (ablation study) أن كلا مكوني الإطار المقترح يساهمان بشكل كبير في دقة التنبؤ، غير أن تعويض المتبقيات باستخدام تعلم الآلة يلعب دوراً أكثر أهمية. إذ يؤدي إزالة آلية التطور الديناميكي للسعر والتكنولوجيا (النسخة A) إلى زيادة متوسط نسبة الخطأ المطلق (MAPE) إلى 4.15% (تدهور بمقدار 1.81 نقطة مئوية) وخفض R2 إلى 0.837، وهو ما يفسر تباينًا أقل بنسبة 12.5% مقارنة بالنموذج الكامل. وفي المقابل، يؤدي إلغاء تعويض المتبقي لتعلم الآلة (النسخة B) إلى انخفاض أكثر حدة: حيث يرتفع متوسط نسبة الخطأ المطلق (MAPE) إلى 5.62% (+3.28 نقطة مئوية)، بينما ينخفض R2 تنخفض القيمة إلى 0.686، وتصل نسبة فقدان التباين المفسر إلى 28.3%. وتثبت هذه النتائج أنه بينما يؤدي التحديث الديناميكي للحص إلى تحسين دقة الخط المرجعي، فإن التصحيح المتبقي القائم على XGBoost يعد ضرورياً لالتقاط مسببات التكلفة غير الخطية، ليشكل كلاهما معاً بنية هجينة تآزرية.

لتسهيل مقارنة أداء النموذج عبر تجارب الاستئصال، تم إنشاء مخطط راداري مُطبع لتصور خمسة مقاييس تقييم: MAPE وRMSE وR2 وMaxAE والمتانة. وقد خضعت المقاييس القائمة على الخطأ (MAPE وRMSE وMaxAE) لعملية تطبيع عكسي بحيث تقابل الأخطاء الأقل درجات أعلى، بينما تم تطبيع المقاييس الإيجابية (R2 والمتانة) بحيث تقابل القيم الأعلى درجات أعلى. وبعد التطبيع، أصبحت جميع المؤشرات تمثل درجات أداء قابلة للمقارنة، حيث تشير القيم القريبة من الحدود الخارجية إلى أداء عام متفوق.

كما هو موضح في الشكل 5، حقق نموذج Quota-ML الكامل درجات عالية باستمرار عبر جميع أبعاد الأداء الخمسة، مما شكل أكبر مخطط راداري وأكثرها توازناً. تشير هذه النتيجة إلى أن الإطار المقترح يوفر توازناً فعالاً بين التحكم في الخطأ النسبي، ودقة التنبؤ الإجمالية، والقوة التفسيرية، وكبح الأخطاء القصوى، والمتانة في ظل ظروف التشغيل المتغيرة.

في المقابل، أظهر المتغير A، الذي استبعد آلية تطور الحصة الديناميكية مع الاحتفاظ بالتعويض المتبقي القائم على التعلم الآلي، انخفاضًا ملحوظًا في الأداء العام. وتشير هذه النتيجة إلى أن خط الأساس الثابت للحصة وحده لا يمكنه تفسير التغييرات الهيكلية الناتجة عن تقلبات أسعار السلع والتقدم التكنولوجي بشكل كافٍ. ولوحظ تدهور أكبر في الأداء بالنسبة للمتغير B، الذي أزيلت منه وحدة التعويض المتبقي واعتمد التنبؤ فيه كليًا على خط الأساس الديناميكي للحصة؛ حيث تدهور الأداء بشكل كبير في هذه الحالة، لا سيما بالنسبة للمقاييس المتعلقة بالخطأ والمتانة.

كما هو ملخص في الجدول 4، ارتفع متوسط نسبة الخطأ المطلق (MAPE) للمتغير B من 2.34% للنموذج الكامل إلى 5.62%، وهو ما يمثل زيادة قدرها 3.28 نقطة مئوية، بينما انخفضت قيمة R2 بنسبة 28.3%. وتشير هذه النتائج إلى أنه على الرغم من أن نموذج الحصة الديناميكية يدمج تضخم الاقتصاد الكلي وتعديلات الكفاءة المدفوعة بالتكنولوجيا، إلا أنه لا يمكنه استيعاب التغيرات المفاجئة في التكاليف المرتبطة بالطقس القاسي، وأعمال الصيانة الطارئة، والتغييرات في السياسات، وظروف التشغيل غير الطبيعية بشكل كامل.

بشكل عام، يوضح تحليل الاستئصال أن كلا المكونين الرئيسيين للإطار المقترح ضروريان. حيث تعمل آلية تطور الحص الديناميكية على ملاءمة خط الأساس الهندسي مع التغيرات في الظروف الاقتصادية الكلية والتقدم التكنولوجي، بينما تقوم وحدة تعويض المتبقي المعتمدة على تعلم الآلة برصد الانحرافات غير الخطية التي لا يمكن تمثيلها صراحةً بواسطة قواعد الحصص الهندسية. ومعاً، تشكل هذه المكونات المتكاملة إطار تنبؤ متكاملاً يجمع بين خط أساس للحص قابل للتفسير فيزيائياً وتعلم المتبقي المدفوع بالبيانات لتحقيق تنبؤ دقيق وقوي بالتكاليف على المدى الطويل.

التحقق من قابلية التفسير لنموذج تعويض المتبقي

على الرغم من أن مقارنة دقة التنبؤ وتجارب الاستئصال قد أظهرت أهمية وحدة تعويض المتبقيات المعتمدة على التعلم الآلي، إلا أن مقاييس الخطأ وحدها لا يمكنها تحديد ما إذا كانت العلاقات غير الخطية التي تم رصدها لها تفسيرات فيزيائية أو تشغيلية ذات معنى. لذلك، تم تطبيق SHAP (Shapley Additive exPlanations) لتفسير نموذج المتبقيات XGBoost40. وقد اعتُمد SHAP على نطاق واسع لتفسير نماذج التعلم الآلي في التنبؤ بالطاقة والقدرة والأنظمة المعقدة ذات الصلة41,42. ومن خلال قياس مساهمة كل ميزة إدخال في تنبؤات النموذج، يتيح SHAP تقييم ما إذا كانت أنماط المتبقيات المتعلمة متوافقة مع المعرفة الهندسية.

كما هو موضح في الشكل 6، أظهرت متغيرات الاضطرابات الخارجية — بما في ذلك العدد التراكمي لأيام درجات الحرارة المرتفعة بمستوى التحذير خلال الـ 90 يوماً السابقة، ومؤشر انقطاع الخطوط الناتج عن الحمل الحراري الشديد والأعاصير، ومدة هطول الأمطار المتجمدة والثلوج، وعدد أحداث الإصلاح غير المخطط لها — قيم SHAP إيجابية قوية. وقد تركزت العينات ذات القيم المرتفعة لهذه المتغيرات في منطقة SHAP الإيجابية، مما يشير إلى أن الطقس القاسي وأنشطة الصيانة الطارئة أدت باستمرار إلى زيادة التكاليف الفعلية بما يتجاوز خط الأساس للحصة الديناميكية. وتثبت هذه النتائج أن وحدة التعويض المتبقي تلتقط اضطرابات بيئية وتشغيلية ذات دلالة بدلاً من مجرد ملاءمة الضوضاء العشوائية.

أظهرت عدة متغيرات إضافية مساهمات جوهرية في تنبؤات المتبقيات، بما في ذلك مدة التشغيل تحت الحمل الثقيل، ومؤشر أسعار المعادن PPI، ونسبة الاستثمار الرقمي، والقدرة المركبة للطاقة الكهروضوئية الموزعة، وطول خطوط النقل. وتشير هذه النتائج إلى أن الانحرافات عن خط الأساس للحصة تتأثر بشكل مشترك بالأحداث الجوية قصيرة المدى، وتوسيع الأصول، وانتقال أسعار السلع الأساسية، وتحول نظام الطاقة، والرقمنة. ومن الجدير بالذكر أن نسبة الاستثمار الرقمي ساهمت بشكل إيجابي في تكاليف المتبقيات في بعض الملاحظات، مما يشير إلى أن التحول الرقمي في مراحله المبكرة قد يؤدي مؤقتاً إلى زيادة النفقات بسبب تكامل الأنظمة، وصيانة المنصات، والتشغيل المتوازي للأنظمة القديمة والأنظمة المنشورة حديثاً. وبشكل عام، يؤكد تحليل SHAP القابلية للتفسير التجاري لوحدة تعويض المتبقيات، ويوفر دعماً تجريبياً لفهم تأثيرات الأحداث الجوية المتطرفة والتحول الرقمي على تكاليف الإنتاج والتشغيل.

اختبار الدلالة الإحصائية لتحسينات التنبؤ

لتحديد ما إذا كانت تحسينات التنبؤ التي حققها الإطار المقترح ذات دلالة إحصائية، أُجريت اختبارات رسمية لمقارنة التنبؤات. ووفقاً للممارسات المعتمدة في التنبؤ بالطاقة والقياس الاقتصادي، استُخدم اختبار Diebold–Mariano (DM) لمقارنة دقة التنبؤ للنموذج المقترح مع كل نموذج مرجعي. ويعد اختبار DM مناسباً جداً للتنبؤ بالسلاسل الزمنية لأنه يأخذ في الاعتبار الارتباط الذاتي في أخطاء التنبؤ دون اشتراط توزيع طبيعي للبواقي.

بالنسبة لكل مقارنة، افترضت الفرضية الصفرية أن النماذج المقترحة والمرجعية كانت ذات دقة تنبؤية متساوية، بينما افترضت الفرضية البديلة أن النموذج المقترح حقق أخطاء تنبؤ أقل. أُجريت اختبارات DM أحادية الجانب باستخدام مربع خطأ التنبؤ كدالة للخسارة. ولأخذ التباين غير المتجانس والارتباط الذاتي في سلسلة تفاضل الخسارة بعين الاعتبار، تم تطبيق أخطاء Newey–West المعيارية مع اختيار تلقائي لفترة الإبطاء. بالإضافة إلى ذلك، تم إجراء اختبار ويلكوكسون للرتب الموقعة كبديل غير معلمي لا يعتمد على افتراضات التوزيع. وتوفر هذه الاختبارات المتكاملة معاً تقييماً قوياً للدلالة الإحصائية لتحسينات التنبؤ الملحوظة.

كما هو ملخص في الجدول 5، حقق إطار التنبؤ المقترح تحسينات ذات دلالة إحصائية مقارنة بجميع النماذج المرجعية. وتشير إحصائيات DM الإيجابية إلى أخطاء تنبؤ أقل باستمرار من النهوج المنافسة. وقد لوحظ أكبر تحسن بالنسبة لنموذج ARIMA (DM = 3.842, p < 0.01)، مما يثبت فائدة دمج حصص تكلفة الهندسة في إطار التنبؤ. ومقارنة بنموذج ARIMAX، الذي يتضمن متغيرات خارجية، أظهر النموذج المقترح أيضاً تحسناً ملحوظاً (DM = 3.215, p < 0.01)، مما يسلط الضوء على القيمة الإضافية للجمع بين خط أساس ديناميكي للحص وتعويض البقايا القائم على تعلم الآلة.

كما تفوق النموذج المقترح بشكل ملحوظ على المعايير المرجعية للتعلم العميق. وكانت التحسينات في التنبؤ كبيرة بالنسبة لنموذج LSTM ‏(DM = 2.876, p = 0.02) ونموذج Transformer ‏(DM = 2.543, p = 0.01). وبالرغم من أن التحسن مقارنة بنموذج XGBoost المستقل كان أقل (DM = 2.187, p = 0.029)، إلا أنه ظل ذا دلالة إحصائية. وبما أن كلا النموذجين يعتمدان على التعلم القائم على الأشجار، فإن هذه النتيجة تثبت أن دمج الخط المرجعي للحصة الديناميكية يوفر قيمة تنبؤية إضافية تتجاوز النهج المعتمد كلياً على البيانات. وقد أنتج اختبار ويلكوكسون للرتب الموقعة مستويات دلالة تتفق مع نتائج اختبار DM، مما يقدم دليلاً إضافياً على أن تحسينات التنبؤ في الإطار المقترح قوية إحصائياً.

توافر البيانات:

تم رفع مجموعات البيانات المستخدمة في هذه الدراسة إلى مستودع عام (DOI: https://doi.org/10.5281/zenodo.2164584).

مخطط عملية إدارة أصول الشبكة؛ الأصول، وحص العمل، وحسابات التكاليف، وتوقعات الطلب.
الشكل 1تحديد العلاقة بين أصول شبكة الطاقة، وحص التشغيل القياسية، وحسابات التكاليف. يوضح هذا الشكل أن حصص التكلفة ليست مجرد قواعد مجردة لتخصيص الموارد المالية، بل هي وحدات محاسبية موحدة مدمجة في جميع مراحل عملية التشغيل والصيانة لأصول شبكة الطاقة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط استقرار شبكة الطاقة مع مخاطر درجات الحرارة المرتفعة، والإعصار، والأمطار المتجمدة؛ مع تحديد النقاط الساخنة لحالات الطوارئ.
الشكل 3مخطط طوبولوجي مجهول الهوية لشبكة الطاقة الإقليمية المدروسة وطبقات الاضطرابات المسببة للتكلفة. يقدم هذا الشكل مخططاً هيكلياً مجهول الهوية لطوبولوجيا شبكة الطاقة الإقليمية محل الدراسة. يوضح الشكل توزيع المحطات الفرعية لمستويات الجهد، وممرات النقل، ومجموعات الطاقة المتجددة الموزعة، ومراكز الأحمال، ومناطق الاضطرابات البيئية التمثيلية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط مقارنة تكلفة التشغيل، 2023-2025. النماذج: Attention-LSTM، وXGBoost، وتحليل Quota-ML.
الشكل 4مسارات التنبؤ للنماذج الأساسية والتكاليف الفعلية خلال فترة اختبار العينة الخارجية 2023-2025. يُظهر هذا الشكل أن تكاليف الإنتاج والتشغيل الفعلية خلال فترة الاختبار تشهد تقلبات موسمية واضحة وذروات مفاجئة. فخلال صدمة الارتفاع الشديد في درجات الحرارة في شهري يوليو وأغسطس 2024، ارتفعت التكاليف الفعلية بشكل ملحوظ. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

مخطط راداري يقارن بين MAPE وRMSE وR² وMaxAE والمتانة لثلاثة متغيرات من نماذج تعلم الآلة.
الشكل 5مقارنة معيرة لأداء التنبؤ عبر متغيرات الاستئصال. تقارن مخططات الرادار بين الأداء المُطبع لنموذج Quota-ML الكامل ومتغيرين من نماذج الاستئصال (ablation variants) باستخدام خمسة مقاييس تقييم: درجة MAPE، ودرجة RMSE، وR2 درجة، ودرجة MaxAE، ودرجة المتانة. وقد تم عكس تطبيع المقاييس القائمة على الخطأ (MAPE وRMSE وMaxAE) بحيث تشير الدرجات الأعلى إلى أخطاء تنبؤ أقل، بينما تـ...2 وتم توحيد قيم المتانة بحيث تشير الدرجات الأعلى إلى أداء أفضل للنموذج. ويظهر المخطط الراداري الأوسع لنموذج Quota-ML الكامل أداءً فائقاً في التنبؤ بشكل عام مقارنة بكلا المتغيرين المستأصلين. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

رسم بياني لقيم SHAP لتحليل تأثير الميزات على استقرار الشبكة الكهربائية؛ تصور البيانات وتحليلها.
الشكل 6: مخطط ملخص SHAP يوضح مساهمات السمات في التنبؤ بالتكلفة المتبقية. مخطط ملخص SHAP (تفسيرات شابل المضافة) الذي يوضح مساهمات المتغيرات الأكثر تأثيرًا في نموذج تعويض المتبقيات الخاص بـ XGBoost. تمثل كل نقطة ملاحظة واحدة، حيث يشير اللون إلى قيمة السمة (الأزرق = منخفضة؛ الأحمر = عالية) ويمثل الموضع الأفقي قيمة SHAP. ترتبط قيم السمات الأعلى لمتغيرات مثل أيام الحرارة الشديدة، ومؤشر الانقطاعات المرتبطة بالأعاصير، ومدة العاصفة الجليدية، وأحداث الإصلاح غير المخطط لها، بشكل عام بقيم SHAP أكثر إيجابية، مما يشير إلى زيادة في تكاليف إنتاج وتشغيل المتبقيات. يوضح المخطط أن كلًا من الاضطرابات البيئية والعوامل التشغيلية تساهم بشكل كبير في الانحرافات عن خط الأساس للحصة الديناميكية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الجدول 1: وصف لمتغيرات ومعلمات النموذج الأساسي. يعرض هذا الجدول المتغيرات الرئيسية في نموذج Quota-ML المقترح للتنبؤ بالتكاليف، مع التمييز بين التكاليف الفعلية والمتوقعة؛ والخطوط المرجعية للحص الثابتة والديناميكية؛ ومعلمات عبء العمل والحص؛ وعوامل التعديل للاقتصاد الكلي (PPI والتقدم التكنولوجي)؛ والمكونات المتبقية. يرجى النقر هنا لتحميل هذا الجدول.

الجدول 2: تصنيف والإحصاءات الوصفية لميزات الإدخال الأساسية لنموذج التنبؤ. 
يوضح هذا الجدول أن المتغيرات التفسيرية عبر الأبعاد التجارية المختلفة تظهر أشكالاً إحصائية متميزة. ويلخص هذا الجدول الإحصاءات الوصفية لمتغيرات الأصول المادية، والمتغيرات التشغيلية، والاقتصادية الكلية، والبيئية الممثلة المستخدمة كمدخلات للنموذج. يرجى النقر هنا لتحميل هذا الجدول.

النماذجنسبة متوسط الخطأ المطلق المئوي %جذر متوسط مربع الخطأ (يوان صيني، ملايين)جودة المطابقة R²MaxAE (يوان صيني، ملايين)
التنعيم الأسي التقليدي8.7554.220.651125.04
نموذج SARIMAX للسلاسل الزمنية6.1238.540.76884.21
انحدار XGBoost الصرف4.3829.160.85251.06
الشبكة العصبية ذات الذاكرة طويلة قصيرة المدى مع آلية الانتباه (Attention-LSTM)3.5524.020.89440.53
نموذج Quota-ML المقترح2.3415.690.95723.05

الجدول 3: مقارنة الأداء العام لنماذج مختلفة على مجموعة اختبار خارج العينة للفترة 2023-2025. يوضح هذا الجدول أن نموذج Quota-ML المقترح يتفوق بشكل ملحوظ على جميع النماذج المرجعية في التنبؤ بتكاليف إنتاج وتشغيل شبكة الطاقة خلال فترة الاختبار خارج العينة 2023-2025.

المتغير التجريبيتمت إزالة المكون الأساسيأداء تحلل MAPER²نسبة فقدان التباين المفسر
المتغير ألا يوجد تطور ديناميكي للسعر / التكنولوجيا4.15% (+1.81 نقطة مئوية)0.83712.50%
النسخة بلا يوجد تعويض للمتبقي من التعلم الآلي%5.62 (+3.28 نقطة مئوية)0.68628.30%
النموذج الكاملإطار عمل Quota-ML المقترح كاملاً2.34%0.957الخط المرجعي

الجدول 4: نتائج تجربة الاستئصال لإطار العمل المتكامل القائم على الحص والتعلم الآلي. يوضح هذا الجدول أن كلا المكونين في إطار العمل المقترح يساهمان بشكل كبير في دقة التنبؤ، إلا أن تعويض المتبقيات عبر التعلم الآلي يلعب دوراً أكثر أهمية.

مقارنةاختبار ديبولد-ماريانواختبار ويلكوكسون لترتيب الفروق الموقعة
النموذج المقترح مقابل نموذج ARIMADM = 3.842*** (p < 0.001)W = 486.0*** (p < 0.001)
النموذج المقترح مقابل نموذج ARIMAXDM = 3.215*** (p < 0.001)W = 452.0*** (p < 0.001)
النموذج المقترح مقابل نموذج الذاكرة طويلة قصيرة المدى (LSTM)DM = 2.876** (p = 0.02)W = 398.0** (p = 0.003)
النموذج المقترح مقابل المحول (Transformer)DM = 2.543* (p = 0.01)W = 364.0* (p = 0.014)
النموذج المقترح مقابل XGBoost (تعلم آلي بحت)DM = 2.187* (p = 0.029)W = 328.0* (p = 0.031)

الجدول 5: نتائج اختبار الدلالة الإحصائية لمقارنات التنبؤ. تتبع إحصائية اختبار Diebold-Mariano توزيعاً طبيعياً معيارياً تحت فرضية العدم. تشير قيم DM الموجبة إلى دقة تنبؤ متفوقة للنموذج المقترح. جميع الاختبارات أحادية الجانب مع فرضية بديلة مفادها أن النموذج المقترح لديه خطأ تنبؤ أقل من النموذج المرجعي. تم تسجيل إحصائية اختبار ويلكوكسون للرتب الموقعة W مع قيم p المقابلة لها. دالة الخسارة = مربع خطأ التنبؤ.

المناقشة

تثبت هذه الدراسة أن دمج حصص التكلفة الصناعية مع التعلم الآلي يوفر إطاراً دقيقاً وقابلاً للتفسير للتنبؤ بتكاليف شبكة الطاقة على المدى الطويل. وتظهر النتائج أن المتغيرات المرتبطة بالمناخ، وخاصة الأيام ذات درجات الحرارة المرتفعة للغاية ومؤشرات تأثير انقطاع الخطوط، هي المحركات المهيمنة لبقايا التكاليف، مما يسلط الضوء على التأثير المتزايد للاضطرابات الخارجية على نفقات المرافق. وتشير هذه النتائج إلى ضرورة عدم التعامل مع التكاليف المرتبطة بالطقس كمصاريف تشغيل عرضية، بل يجب دمجها في احتياطيات طوارئ مخصصة، مع ربط تفعيل الاحتياطي بمخاطر المناخ المتوقعة. كما يؤكد تحديد تأثيرات انقطاع الخطوط كأحد محركات التكلفة الرئيسية قيمة استراتيجيات الصيانة التنبؤية ومراقبة الحالة في تقليل كل من الاضطرابات التشغيلية وتقلبات التكاليف.

يكشف التحليل أيضاً أن التحول الرقمي يمكن أن يؤدي إلى زيادة التكاليف التشغيلية خلال المراحل الأولى من التنفيذ بسبب تشغيل نظامين متوازيين خلال الفترة الانتقالية، بدلاً من تحقيق مكاسب فورية في الكفاءة. وتشير هذه النتيجة إلى وجوب قيام المرافق بتقييم الاستثمارات الرقمية باستخدام تقييم تكلفة دورة الحياة بدلاً من الأداء المالي قصير المدى، كما يجب عليها توقع تداخل مؤقت في التكاليف عند نشر أنظمة المراقبة الذكية، أو إدارة التوزيع المتقدمة، أو المحطات الرقمية الفرعية. كما يمكن توسيع إطار التعويض المتبقي المقترح لتقدير النقطة التي تبدأ عندها الاستثمارات الرقمية في تحقيق وفورات صافية في التكاليف، مما يدعم قرارات الاستثمار وتخطيط التكنولوجيا بشكل أكثر فاعلية.

بعيداً عن عمليات المرافق، ينطوي الإطار المقترح على تداعيات تنظيمية هامة. فمن خلال قياس تأثيرات المحركات الخارجية على متبقيات التكلفة، يوفر النموذج أساساً موضوعياً لإنشاء احتياطيات طوارئ معدلة مناخياً وتقييم طلبات ميزانية المرافق. كما أن فصل التكاليف الأساسية المدفوعة بالحصة عن المتبقيات الناتجة عن الاضطرابات يدعم تنظيماً أكثر فعالية قائماً على الأداء، وذلك عبر التمييز بين الكفاءة التشغيلية القابلة للتحكم والصدمات الخارجية غير القابلة للتحكم. علاوة على ذلك، يوفر إطار التنبؤ المدفوع بالحصة شفافية وقابلية للتدقيق أكبر من النماذج الإحصائية البحتة أو نماذج الذكاء الاصطناعي ذات "الصندوق الأسود"، مما يسمح بربط التكاليف المتوقعة مباشرة بظروف التشغيل الفيزيائية والمعايير الهندسية أثناء مراجعات التعرفة وجلسات الاستماع التنظيمية.

يجب الإقرار بوجود عدة قيود. يستند التحليل التجريبي إلى شبكة كهرباء إقليمية واحدة في شرق الصين، مما قد يحد من إمكانية تعميم النتائج على المناطق ذات الظروف المناخية أو البيئات التنظيمية أو هياكل الشبكات المختلفة. ورغم أن مجموعة البيانات التي تغطي 192 شهراً كافية لنموذج XGBoost، إلا أنها تظل صغيرة نسبياً لرصد الأحداث النادرة ذات التأثير العالي، كما يعتمد أداء التنبؤ على جودة واتساق قواعد بيانات حصص التكاليف الأساسية. بالإضافة إلى ذلك، تعتمد آلية الحصص الديناميكية على مؤشر أسعار المنتجين المجمع وعوامل التقدم التكنولوجي التي قد لا تستوعب بشكل كامل التباينات في التكاليف الإقليمية أو الخاصة بكل مكون. ورغم أن تحليل SHAP يحسن من قابلية تفسير النموذج، فإن مساهمات الميزات المذكورة تمثل ارتباطات تنبؤية وليست علاقات سببية، لذا يجب تفسيرها بحذر مناسب.

يجب أن تركز الأبحاث المستقبلية على دمج سجلات الصيانة غير المهيكلة من خلال نماذج لغوية كبيرة متخصصة في هذا المجال، ودمج الشبكات العصبية الرسومية المكانية والزمانية لرصد انتشار الاضطرابات عبر الشبكات المترابطة، وتوسيع نطاق التحقق ليشمل مناطق متعددة لتحسين إمكانية التعميم، وإدخال تقدير عدم اليقين لدعم اتخاذ القرارات التنظيمية الواعية بالمخاطر. وتتماشى هذه التطورات مع التقدم الأخير في التنبؤ بالطاقة على المديين المتوسط والطويل وتكامل الطاقة المتجددة، والتي تؤكد على أهمية الجمع بين الذكاء القائم على البيانات وأطر النمذجة المستنيرة فيزيائياً لضمان تشغيل موثوق لنظم الطاقة43,44.

الإفصاحات

يصرح جميع المؤلفين بعدم وجود تضارب في المصالح.

مساهمة المؤلفين:
قام Xiaohui Wang بتصور الدراسة وتصميمها، وتطوير المنهجية، وإجراء التحليل الرسمي، وكتابة المسودة الأصلية للمخطوطة. ساهم Tong Li في تنظيم البيانات، وتنفيذ البرمجيات، والتحقق من الصحة. ساهم Yanchao Lu في تطوير المنهجية، والتقصي، وتفسير البيانات. وفر Quanfeng Lv الموارد، وأشرف على الحصول على البيانات، وراجع المخطوطة مراجعة نقدية. أشرف Fan Liu على المشروع، وساهم في وضع التصور وتفسير النتائج، وتأمين التمويل، وراجع المخطوطة مراجعة نقدية. راجع جميع المؤلفين النسخة النهائية من المخطوطة ووافقوا عليها

شكر وتقدير

تم دعم هذا العمل من قبل المشروع التكنولوجي لمؤسسة شبكة الدولة الصينية (State Grid Corporation of China)، تحت مسمى "بحث في تحليل تخصيص تكاليف الإنتاج والتشغيل وتقنية التحسين غير المتزامنة" (رقم المشروع: 520600250029-183-ZN).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مجموعة بيانات المحاسبة الشهرية مجهولة الهوية لـ E-Gridشبكة الطاقة الإقليمية في شرق الصينلم يتم توفير نص للترجمة. يرجى إدخال النص الإنجليزي المراد ترجمته.مجموعة بيانات مجهولة الهوية لتكاليف الإنتاج والتشغيل الشهرية (2010–(2025) وتضم 192 ملاحظة، بما في ذلك بيانات الأصول المادية، والتشغيل والصيانة، والبيانات الاقتصادية الكلية والبيئية. استُخدمت لتطوير النموذج (156 ملاحظة) والاختبار خارج العينة (36 ملاحظة).
مكتبة Matplotlib للرسم البيانيفريق تطوير Matplotlib3.5.2تُستخدم لإنتاج أشكال المخطوطات والمخرجات الرسومية، بما في ذلك مخططات أداء النموذج، وتصورات الطوبولوجيا، وتشخيصات البواقي، والمخططات الرادارية، والملخصات المرئية المتعلقة بقيم SHAP.
مكتبة NumPy للحوسبة العدديةمطورو NumPy1.22.3تُستخدم لعمليات المصفوفات العددية، والحسابات المصفوفية، والتحكم في إمكانية التكرار. وقد طُبقت بذرة عشوائية ثابتة بقيمة 42 حيثما كان ذلك مناسباً.
مكتبة Pandas لمعالجة البياناتفريق تطوير pandas1.4.2تُستخدم لاستيراد البيانات، ودمجها، وإعادة هيكلتها، وتصفيتها، ومعالجتها مسبقاً، بما في ذلك تعويض القيم المفقودة، ومحاذاة السلاسل الزمنية، وتجهيز متغيرات مدخلات النموذج.
بيئة برمجة بايثون (Python)مؤسسة برمجيات بايثون (Python Software Foundation)3.9.13بيئة البرمجة المستخدمة لتنفيذ سير عمل التنبؤ الكامل، بما في ذلك المعالجة المسبقة للبيانات، وهندسة الميزات، وتدريب النموذج، وتحسين المعلمات الفائقة، والتنبؤ، والاختبار الإحصائي، وتقييم الأداء.
مكتبة Scikit-learn لتعلم الآلةالمساهمون في scikit-learn1.0.2تُستخدم في المعالجة المسبقة للبيانات، وتقسيم البيانات إلى مجموعات تدريب وتحقق، وتقييم النموذج المساعد، والإجراءات الإحصائية، بما في ذلك تحليل ارتباط بيرسون وحساب مقاييس أداء مختارة.
مكتبة SciPy للحوسبة العلميةالمساهمون في SciPy1.9.0تُستخدم لإجراء الحسابات الإحصائية، بما في ذلك تحليل ارتباط بيرسون والإجراءات الداعمة لمعالجة القيم المتطرفة وعملية وينزرة البيانات (winsorization).
تنفيذ مُقدّر بارزين ذو البنية الشجريةالمساهمون في Optuna3.1.0تم استخدام تطبيق التحسين البايزي (Bayesian optimization) لضبط المعلمات الفائقة لخوارزمية XGBoost، بما في ذلك الحد الأقصى لعمق الشجرة، ومعدل التعلم، ومعلمات التسوية. وقد تم تنفيذ مقدر بارزين ذي البنية الشجرية (Tree-structured Parzen Estimator) من خلال حزمة Optuna مفتوحة المصدر.
مكتبة برمجيات XGBoostالمساهمون في DMLC / XGBoost1.7.1مكتبة تعلم تجميعي قائمة على أشجار القرار، استُخدمت للتعويض المتبقي غير الخطي. وقد نفذ النموذج دالة هدف منتظمة مع فقد هوبير (Huber loss) وعقوبات تعقيد الشجرة، كما هو موضح في المعادلات 7–9.

المراجع

  1. Rao H, Li J, Sun X. Demand forecasting and allocation optimization of green power grid supply chain based on machine learning algorithm: A study based on the whole-process data of power grid materials. Sustainability. 2025;17(3):1247.
  2. Huang C, et al. Demand response for industrial micro-grid considering photovoltaic power uncertainty and battery operational cost. IEEE Trans Smart Grid. 2021;12(4):3043-3055.
  3. Phuangpornpitak N, Prommee W. A study of load demand forecasting models in electric power system operation and planning. GMSARN Int J. 2016;10:19-24.
  4. Nasir J, et al. A hybrid LMD–ARIMA–machine learning framework for enhanced forecasting of financial time series: Evidence from the NASDAQ Composite Index. Mathematics. 2025;13(15):2389.
  5. Matos C, et al. Model for integrating the electricity cost consumption and power demand into aggregate production planning. Appl Sci. 2022;12(15):7577.
  6. Valenzuela J, Mazumdar M, Kapoor A. Influence of temperature and load forecast uncertainty on estimates of power generation production costs. IEEE Trans Power Syst. 2000;15(2):668-674.
  7. Khan F, et al. A hybrid vector autoregressive model for accurate macroeconomic forecasting: An application to the US economy. Mathematics. 2025;13(11):1706.
  8. Fatema I, Kong X, Fang G. Electricity demand and price forecasting model for sustainable smart grid using comprehensive long short-term memory. Int J Sustain Eng. 2021;14(6):1714-1732.
  9. Singh AK, Ibraheem SK, Muazzam M, Chaturvedi DK. An overview of electricity demand forecasting techniques. Netw Complex Syst. 2013;3(3):38-48.
  10. Iftikhar H, et al. A novel hybrid framework for forecasting stock indices based on nonlinear time series models. Comput Stat. 2025;40(8):4163-4186.
  11. Jiang P, Li R, Lu H, Zhang X. Modeling of electricity demand forecast for power system. Neural Comput Appl. 2020;32(11):6857-6875.
  12. Chan SC, et al. Load/price forecasting and managing demand response for smart grids: Methodologies and challenges. IEEE Signal Process Mag. 2012;29(5):68-85.
  13. Hernandez L, et al. A survey on electric power demand forecasting: Future trends in smart grids, microgrids and smart buildings. IEEE Commun Surv Tutor. 2014;16(3):1460-1495.
  14. Zareipour H, Canizares CA, Bhattacharya K. Economic impact of electricity market price forecasting errors: A demand-side analysis. IEEE Trans Power Syst. 2009;25(1):254-262.
  15. Botterud A. Forecasting renewable energy for grid operations. In: Renewable Energy Integration. Academic Press; 2017:133-143.
  16. Mirowski P, Chen S, Ho TK, Yu CN. Demand forecasting in smart grids. Bell Labs Tech J. 2014;18(4):135-158.
  17. Sobu A, Wu G. Optimal operation planning method for isolated micro grid considering uncertainties of renewable power generations and load demand. In: IEEE PES Innovative Smart Grid Technologies [conference proceedings]. IEEE; 2012. Available at: https://ieeexplore.ieee.org/
  18. Han B, et al. Optimal design of an on-grid microgrid considering long-term load demand forecasting: A case study. Distrib Gener Altern Energy J. 2020;35:345-362.
  19. Tripathy SC. Demand forecasting in a power system. Energy Convers Manag. 1997;38(14):1475-1481.
  20. Adshead NS, Price DH. Demand forecasting and cost performance in a model of a real manufacturing unit. Int J Prod Res. 1987;25(9):1251-1265.
  21. Gellert A, et al. A study on forecasting electricity production and consumption in smart cities and factories. Int J Inf Manage. 2019;49:546-556.
  22. Hernández L, et al. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. IEEE Commun Mag. 2013;51(1):106-113.
  23. Klingler AL, Teichtmann L. Impacts of a forecast-based operation strategy for grid-connected PV storage systems on profitability and the energy system. Sol Energy. 2017;158:861-868.
  24. Ghalehkhondabi I, Ardjmand E, Weckman GR, Young WA. An overview of energy demand forecasting methods published in 2005–2015. Energy Syst. 2017;8(2):411-447.
  25. Aderibigbe AO, et al. Enhancing energy efficiency with AI: A review of machine learning models in electricity demand forecasting. Eng Sci Technol J. 2023;4(6):341-356.
  26. Arumugham V, et al. An artificial-intelligence-based renewable energy prediction program for demand-side management in smart grids. Sustainability. 2023;15(6):5453.
  27. Dudek G, Piotrowski P, Baczyński D. Intelligent forecasting and optimization in electrical power systems: Advances in models and applications. Energies. 2023;16(7):3024.
  28. Liu N, et al. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids. Appl Energy. 2014;129:336-345.
  29. Mohammad AA, et al. Mathematical and statistical modelling of electricity demand forecasting using artificial neural networks and SARIMA: Implications for energy supply chain planning. Alex Eng J. 2026;139:98-108.
  30. Singh AR, et al. A blockchain-enabled multi-agent deep reinforcement learning framework for real-time demand response in renewable energy grids. Energy Strateg Rev. 2025;62:101905.
  31. Lu R, et al. Data-driven real-time price-based demand response for industrial facilities energy management. Appl Energy. 2021;283:116291.
  32. Kondaiah VY, Saravanan B, Sanjeevikumar P, Khan B. A review on short-term load forecasting models for micro-grid application. J Eng. 2022;2022(7):665-689.
  33. Lee BL, Wilson C, Simshauser P, Majiwa E. Deregulation, efficiency and policy determination: An analysis of Australia's electricity distribution sector. Energy Econ. 2021;98:105210.
  34. Wang Y, et al. Transmission network expansion planning considering wind power and load uncertainties based on multi-agent DDQN. Energies. 2021;14(19):6073.
  35. Ding Q, Zhao H. Study on e-commerce logistics cost control methods in the context of COVID-19 prevention and control. Soft Comput. 2021;25(18):11955-11963.
  36. Duan Y, Xu Z, Chen H, Wang Y. Novel machine learning approach for enhanced smart grid power use and price prediction using advanced Shark Smell-tuned flexible support vector machine. Sci Rep. 2025;15(1):20909.
  37. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining [conference proceedings]. San Francisco, CA, USA; 2016. Available at: https://doi.org/10.1145/2939672.2939785
  38. Lin KY, et al. Predictive maintenance in industrial systems: An XGBoost-based approach for failure time estimation and resource optimization. J Ind Prod Eng. 2025;42(8):876-899.
  39. Ajayi OO, Kurien AM, Djouani K, Dieng L. A proactive predictive model for machine failure forecasting. Machines. 2025;13(8):663.
  40. Lundberg SM, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56-67.
  41. Chen H, Gao T, Wang L, Guo P. Explainable machine learning methods for predicting electricity consumption in a long-distance crude oil pipeline. Sci Rep. 2025;15(1):43305.
  42. Neubauer A, Brandt S, Kriegel M. Explainable multi-step heating load forecasting: Using SHAP values and temporal attention mechanisms for enhanced interpretability. Energy AI. 2025;20:100480.
  43. Ahmad T, Chen H. Potential of three variant machine-learning models for forecasting district-level medium-term and long-term energy demand in smart grid environment. Energy. 2018;160:1008-1020.
  44. Masa-Bote D, et al. Improving photovoltaics grid integration through short-time forecasting and self-consumption. Appl Energy. 2014;125:103-113.

إعادة الطباعة والأذونات

الوسوم

توقع التكاليفبيانات شبكة الطاقةالتوقع القائم على الحصصنموذج XGBoostتفسير SHAPإصلاح سوق الكهرباءتعريفيات النقلالتحقق التنظيمي من التكاليفتوقعات التعلم الآلي
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.