מאמר מחקר

חיזוי רטרוספקטיבי באמצעות נתוני רשת מחוזים ומודל פיזיקלי-בינה מלאכותית היברידי מבוסס מכסות

22 צפיות

⸱

DOI:

10.3791/72395

⸱

28 באוגוסט 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

במאמר זה

סיכום

מחקר זה מציע מודל היברידי לחיזוי עלויות עבור רשתות חשמל, המשלב מכסות עלויות פיזיות עם התאמות מאקרו-כלכליות/טכנולוגיות דינמיות ופיצוי שאריות המבוסס על XGBoost. המודל, שהשיג 2.34% MAPE, מאזן בין דיוק לבין יכולת פרשנות, ובכך נותן מענה לדרישות השקיפות הרגולטורית בקביעת תעריפים.

תקציר

מעבר האנרגיה הגלובלי ורפורמות שוק החשמל השוטפות מחייבים ארגוני רשת חשמל לאזן בין אספקת חשמל אמינה לבין רגולציות מחמירות יותר ויותר על תעריפי ההולכה וההפצה. שיטות תקצוב מסורתיות המבוססות על אקסטרפולציה היסטורית נכשלות לעיתים קרובות בשיקוף הבסיס הפיזי של תפעול הנכסים, בעוד שמודלים של למידת מכונה מונחי-נתונים משיגים דיוק חיזוי גבוה אך חסרים את השקיפות הנדרשת לאימות עלויות רגולטורי. כדי לטפל בפשרה שבין דיוק החיזוי לבין יכולת הפרשנות, מחקר זה מציע מודל היברידי לחיזוי עלויות המבוסס על מכסות עלויות. המסגרת משתמשת במכסות תפעול סטנדרטיות כקו בסיס לתקצוב פיזי, ומטמיעה מנגנון דינמי להתפתחות המכסות המונע על ידי תנאים מאקרו-כלכליים והתקדמות טכנולוגית. XGBoost (Extreme Gradient Boosting) מיושם כדי ללכוד שאריות לא-ליניאריות מעבר להערכות המבוססות על המכסות, בעוד ש-SHAP (Shapley Additive exPlanations) משמש לפרשנות של תרומתם של מניעי עלות מרכזיים. המודל הוערך באמצעות 16 שנים של נתונים תפעוליים אנונימיים מרשת חשמל פרובינציאלית בסין. הוא השיג טעות אחוזית מוחלטת ממוצעת (MAPE) של 2.34%, ובכך הפחית את טעויות החיזוי ב-61.8%, 46.6% ו-34.1% בהשוואה למודלי SARIMAX, XGBoost עצמאי ו-Attention-LSTM, בהתאמה. המסגרת המוצעת משלבת עקרונות של מכסות עלויות הנדסיות עם בינה מלאכותית ניתנת להסבר, ומספקת הן תחזיות עלות מדויקות לטווח ארוך והן כלי שקוף לתמיכה בקבלת החלטות לצורך אימות עלויות מותרות על ידי הרגולטור.

מבוא

המעבר האנרגטי הגלובלי מעצב מחדש את ניהול נכסי רשת החשמל ואת הפרקטיקות התפעוליות באמצעות שילוב של ייצור אנרגיה מתחדשת מבוזרת, עלייה בתדירותם של אירועי מזג אוויר קיצוניים ופריסה נרחבת של טכנולוגיות IoT, אשר כולן דורשות גמישות תפעולית רבה יותר ומשאבי תחזוקה כדי להבטיח את אמינות המערכת1,2. במקביל, רגולטורים של חשמל היכזירו את הפיקוח על תעריפי ההולכה וההפצה באמצעות מסגרות כגון RIIO בבריטניה ובדיקות שיעורי התשואה של נציבות הרגולציה של האנרגיה הפדרלית בארה"ב (Federal Energy Regulatory Commission), תוך דגש על שקיפות בנימוק העלויות3. סין אימצה באופן דומה מנגנון רגולטורי של "עלות מאושרת בתוספת תשואה סבירה", המחייב חברות שירות להוכיח קשרים ברורים בין פעילויות הנדסיות להוצאות פיננסיות4. עם זאת, לחברות השירות חסרים לעיתים קרובות כלים כמותיים שקופים המחברים בין תפעול נכסים פיזיים לתחזיות עלויות, מה שמגביל את יעילות האימות הרגולטורי של העלויות5.

לגישות חיזוי קיימות יש מגבלות משמעותיות בסביבה זו6. שיטות מסורתיות, כולל תקצוב רב-שלבי (incremental budgeting) ומודלים מבוססי ARIMA, מניחות דפוסים היסטוריים יציבים יחסית ולעתים קרובות מציגות ביצועים דלים תחת שינויים מבניים הנגרמים מתנודות כלכליות או מזג אוויר קיצוני7. לעומת זאת, מודלים מודרניים של למידה חישובית, כגון ארכיטקטורות LSTM ו-Transformer, מספקים דיוק חיזוי גבוה לטווח קצר אך חסרים את יכולת הפרשנות ההנדסית הנדרשת לקבלת החלטות רגולטוריות8,9. למרות שגישות חיזוי היברידיות עדכניות משלבות טכניקות סטטיסטיות ולמידה חישובית, הן בדרך כלל מתעלמות ממכסות העלות ההנדסיות הסטנדרטיות המהוות בסיס למערכות הנהלת חשבונות של רשתות חשמל10. כדי להתגבר על מגבלות אלו, מחקר זה מציע מסגרת חיזוי היברידית מונחית-מכסות, המשלבת התפתחות מכסות דינמית עם תיקון שאריות מבוסס למידה חישובית, ובכך שומרת על הפרשנות ההנדסית תוך שיפור דיוק החיזוי.

כיוון מחקר מרכזי אחד נובע מרגולציית תמריצים בתעשיות של מונופול טבעי, כולל מנגנון ה-RPI-X של בריטניה ומסגרת אימות העלויות המאושרות של סין11. מחקרים אלו מעריכים בעיקר יעילות תפעולית באמצעות ניתוח מעטפת נתונים (DEA) וניתוח גבול סטוכסטי (SFA)12. מחקרים קודמים בחנו קשרים ארוכי טווח בין הוצאות הון (CAPEX), הוצאות תפעול (OPEX) ויעילות עלויות כדי לתמוך ברגולציית תעריפים13,14. בעוד שגישות אלו מספקות תובנות מקרו-כלכליות בעלות ערך, תוצריהן מבוטאים בדרך כלל כציוני יעילות יחסיים ולא כתחזיות כספיות המתאימות לתקצוב שנתי15,16. יתרה מכך, מודלי גבול מניחים בדרך כלל מבני נכסים פיזיים ותנאי תפעול יציבים יחסית, מה שמגביל את יכולתם ללכוד שינויים חדים בעלויות המונעים מהזדקנות נכסים, החלפת תשתיות או גידול מהיר בביקושים17,18.

כיוון מחקר שני מתמקד במודלים של חיזוי המבוססים על סטטיסטיקה ובינה מלאכותית. מחקרים מוקדמים השתמשו ברגרסיה לינארית מרובה ובמודלים של ממוצעים נעים אינטגרליים עם משתנים חיצוניים (ARIMAX) לחיזוי עלויות19. לאחרונה, מודלים של רגרסיית וקטור תומך (support vector regression), יערים אקראיים (random forests), XGBoost, LSTM ו-Transformer שיפרו משמעותית את ביצועי החיזוי על ידי ניצול קשרים לא לינאריים ומרחבי מאפיינים רב-ממדיים20,21,22. גישות אלו משלבות לעיתים קרובות מדדים מאקרו-כלכליים כגון ביקוש לחשמל, מדדי מחירי יצרן (PPI) ומשתני אקלים23. עם זאת, עלויות התפעול של רשת החשמל נובעות מפעילויות הנדסיות, בלאי נכסים, תזמון תחזוקה והחלטות ניהוליות, ולא ממשתנים מאקרו-כלכליים בלבד24. כתוצאה מכך, מודלים המבוססים על נתונים בלבד פועלים לעיתים קרובות כ"קופסאות שחורות", מה שמקשה על הסבר העלויות החזויות במהלך סקירות רגולטוריות או אימות עלויות מאושרות25,26.

ניהול מכסות עלויות הנדסיות מספק פתרון פוטנציאלי לאתגר זה27. שיטת חישוב עלויות מבוססת פעילות (ABC) נשענת מזה זמן רב על מכסות תפעוליות סטנדרטיות כדי להעריך את דרישות העבודה, החומרים, הציוד והתחזוקה עבור פעולות רשת שגרתיות28. חברות שירותים סיניות גדולות פיתחו מאגרי נתונים מקיפים של מכסות המכסים פעילויות בדיקה, תחזוקה, נסיינות, תיקון והחלפת ציוד. עם זאת, תקנים הנדסיים אלה משמשים בעיקר לצורך הסדרת פרויקטים וביקורת, ולא לצורך חיזוי דינמי לטווח ארוך29,30. יתרה מכך, תקני המכסאות מעודכנים בדרך כלל רק אחת לכמה שנים, מה שגורם להם להיות בעלי תגובה לא מספקת לשינויים במחירי סחורות, להתקדמות טכנולוגית ולפרקטיקות תפעוליות31. יישום מערכות מכסאות על פני מיליוני נכסים מפוזרים מציב גם אתגרים חישוביים משמעותיים עבור חיזוי בקנה מידה רחב32.

למרות התקדמויות משמעותיות בחזואות סטטיסטיות, בלמידת מכונה ובניהול עלויות הנדסיות, לא קיים מסגרת עבודה המשלבת ביעילות מכסות עלויות הנדסיות סטנדרטיות, התאמה מקרו-כלכלית דינמית ולמידת מכונה הניתנת להסבר לכדי מודל חיזוי מאוחד לצורך אימות עלויות רגולטורי. הועלתה השערה כי שילוב של מכסות עלות המתפתחות באופן דינמי עם למידת שאריות מבוססת XGBoost יכול לשפר את דיוק החיזוי לטווח ארוך, תוך שמירה על השקיפות ההנדסית הנדרשת לקבלת החלטות רגולטוריות. כדי לבחון השערה זו, פותחה מסגרת חיזוי היברידית מונחית-מכסות המשלבת מידול עלויות פיזי, מנגנוני התאמה מקרו-כלכליים וטכנולוגיים, פיצוי שאריות באמצעות XGBoost ופרשנות מודל מבוססת SHAP. הגישה המוצעת שואפת לספק הן תחזיות עלויות מדויקות לטווח ארוך והן ראיות שקופות לתמיכה באימות עלויות מותרות תחת רגולציית שוק החשמל המודרנית.

פרוטוקול

מחקר זה השתמש בנתונים תפעוליים ופינסיים אנונימיים שנאספו מרשת חשמל פרובינציאלית במזרח סין. כל הנתונים אוגדו ועברו תהליך של הסרת זיהוי לפני הניתוח, ולא נכלל מידע רגיש או מידע המאפשר זיהוי אישי ברמת הפרט. לפיכך, לא נדרש אישור אתי. הגישה לנתונים והניתוח שלהם בוצעו בהתאם לתקנות הגנת הנתונים הרלוונטיות ולהסכמים מוסדיים המסדירים מידע במגזר החשמל.

סקירה כללית של מסגרת החזויים

על מנת לשלב גישות חיזוי מבוסות פיזיקה וגישות מבוסות נתונים, פותרה מסגרת חיזוי היברידית המשלבת מכסות עלויות הנדסיות עם למידת מכונה. במקום לשלב פשוט מספר אלגוריתמים, המסגרת פועלת לפי העיקרון שדגמים פיזיקליים קובעים את תחזית הבסיס, בעוד שלמידת מכונה מפצה על שגיאות שיוריים. תכנון זה מבטיח שתהליך החיזוי מבוס על המנגנונים הפיזיקליים העומדים בבסיס פעילויות הייצור והתפעול של רשת החשמל, במקום להסתמך אך ורק על אקסטנפולציה של עלויות היסטוריות.

המסגרת מבססת תחילה מיפוי היררכי בין נכסי רשת החשמל, פעילויות תפעול סטנדרטיות וחשבונות עלויות פינסיים. עלויות הייצור והתפעול נתפסות כייצוגים מוניטריים של המשאבים שנצרכו על ידי נכסים פיזיים — כולל תחנות משנה, קווי הולכה, מזיני הפצה, מכשירי מדידה וציוד בדיקה דיגיטלי — במהלך פעילויות שגרתיות כגון בדיקה, תחזוקה, בחינה, תיקון והחלפה. מכסות עלויות משמשות כקישור בין עומסי עבודה הנדסיים מדידים לבין ההוצאות הפינסיות התואמות.

כפי שמוצג ב-איור 1, מכסות עלויות מתפקדות כיחידות חשבונאיות סטנדרטיות המשולבות לאורך תהליך התפעול והתחזוקה של הנכס, ולא ככללים מופשטים להקצאה פיננסית. עומסי עבודה של נכסים ברמה הנמוכה ביותר מומרים למכסות תפעול סטנדרטיות ולאחר מכן ממופים לקטגוריות עלויות, הכוללות כוח אדם, חומרים, ציוד בנייה, שירותים במישור חיצוני ואספקות חירום. מיפוי היררכי זה שומר על יכולת פרשנות הנדסית ועל עקביות רגולטורית לאורך תהליך התחזית, ומספק את הבסיס הפיזי להקמת מודל מכסות בסיס סטטי.

סקירה כללית של זרימת העבודה המתודולוגית

מסגרת התחזיות המוצעת מורכבת משלושה שלבים עוקבים: (1) בניית בסיס פיזי באמצעות מכסות עומס עבודה ברמת הנכס, (2) התפתחות דינמית של מכסות עלויות באמצעות התאמות מקרו-כלכליות וטכנולוגיות, ו-(3) פיצוי שאריות מבוס למידת מכונה ללכידת השפעות לא ליניאריות סיסטמטיות. כפי שמוצג ב-איור 1, המסגרת מקריבה מיפוי היררכי מנכסי רמה נמוכה ומפעילויות תפעוליות סטנדרטיות לתחזיות עלויות ייצור ותפעול. פרטי היישום של כל שלב מתוארים בסעיפי המשנה הבאים.

מודל עלויות בסיס פיזי המבוס על עומסי עבודה ברמת הנכס

עלות הייצור וההפעלה של רשת חשמל, Ctotal, כוללת הוצאות הקשורות לפעילויות עסקיות מרובות, הכוללות הפעלת תחנות משנה, תחזוקת קווי הולכה, ניהול רשת ההפצה, שירות לקוחות ומערכות תומכות. במחקר זה, מניחים כי עלות ההפעלה הבסיסית נקבעת על ידי עומס העבודה הנוצר מכל פעילות תפעולית סטנדרטית ומכריז ההוצאה המתאימה לה.

עלות בסיס הסטטית מחושבת כך:

נוסחה מתמטית לחישוב $C_{base,t}$ עם סימני סיגמא; משמשת לניתוח נתונים.   (1)

איפה Vi,k,t מציין את עומס העבודה הקשור ל- iנכס ה-th או משימה תפעולית בתוך קטגוריה עסקית ק במהלך תקופה טו- שאלוןi,k מייצג את עלות היחידה הסטנדרטית המתאימה, כפי שהוגדרה על ידי מערכת מכסות העלויות ההנדסיות. קטגוריית העסקים כוללת פונקציות תפעוליות עיקריות כגון תחזוקת תחנות משנה, בדיקת קווי תמסורת, תפעול רשת חלוקה ושירות לקוחות. הסכימה הכפולה מסכמת את העלויות של כל הפעולות התפעוליות הסטנדרטיות כדי להעריך את הוצאות הבסיס התאורטיות הנדרשות לשמירה על תפעול תקין של הרשת.

משוואה (1) קובעת את הקשר הפיזי בין עומסי עבודה הנדסיים להוצאות כספיות על ידי מיפוי פעילויות תפעוליות סטנדרטיות ישירות לחשבונות עלות. בניגוד למודלים של חיזוי סטטיסטי טהור, ניסוח זה מספק בסיס הנדסי ניתן לפירוש המשמש כיסוד להתאמת מכסות דינמית ולאחר מכן לתיקון שאריות מבוס למידת מכונה. המשוואה פותחה על בסיס הפרקטיקות התפעוליות ומערכת מכסות העלות המשמשים ארגוני רשת חשמל פרובינציאליים בסין. טבלה 1 מסכמת את הסימונים המשמשים במשוואה (1), כולל עומס עבודה (Vi,k,t), עלות יחידה סטנדרטית (Qi,k), מספר המשימות התפעוליות (Nk), ומספר קטגוריית העסק (k).

מנגנון אבולוציה דינמי של מכסות תחת הפרעות סביבתיות חיצוניות

מכסות עלות סטנדרטיות (Qi,k) מספקות קו בסיס הניתן לפירוש פיזי, אך אינן לוקחות בחשבון שינויים בתנאים מקרו-כלכליים או התקדמות טכנולוגית. כדי לשפר את התאימות שלהן לטווח ארוך, הוצג מנגנון אבולוציה דינמי להסדרת מכסות הבסיס בתגובה הן לאינפלציית מחירים והן להשגות ביעילות המונעות על ידי טכנולוגיה.

התאמה הראשונה מתחשבת בשינויים בעלויות הרכש הנובעים מאינפלציה מקרו-כלכלית. התפעול והתחזוקה של רשת החשמל תלויים במידה רבה בחומרי גלם, כולל נחושת, אלומיניום ופלדה סיליקונית, שמחิריהם קשורים באופן הדוק לתנודות במד מחירי היצרן (PPI). מכיוון ש- משוואה לחישוב מדד כלכלי, הכוללת מדד לרמת מחירים, הסימון I{PPI,t}. הוא מדד בעל ערך בסיס של 10, ראשית הוא מומר לשיעור אינפלציה סטנדרטי:

נוסחת מדד מחירים, חישוב PPI, משוואה לניתוח אינפלציה ומחקר כלכלי.   (2)

על בסיס זה, פונקציית תיקון המחיר נוסחת שיווי משקל סטטי Φ(I[PPI],t), משוואה, פיזיקה, עיקרון האיזון, ניתוח מחקרי. מוגדר כ:

נוסחת שיווי משקל סטטי, סימון מכפלה Σ, מושג מתמטי חינוכי, ניתוח משוואות.   (3)

איפה שיווי משקל סטטי, ΣF=0, MA=0; הדיאגרמה מראה כוחות מאוזנים לצורך ניתוח מבני, לשימוש פדגוגי. הוא וקטור משקלי-פיגור באורך L מספק

נוסחת שיווי משקל סטטי, Σωτ=1, ωτ≥0, משוואה מתמטית לניתוח סיכום.

מבנה הפיגור מייצג את ההעברה המאוחרת של האינפלציה המקרו-כלכלית לעלויות הרכש בתוך שרשרת האספקה של רשת החשמל. המרה של מדד ה-PPI לשיעור אינפלציה סטנדרטי משמרת את ההשפעה המצטברת של שינויי מחירים תוך מניעת הטיות קנה מידה הקשורות לשימוש ישיר בערכי המד. משוואות (2) ו-(3) מותאמות ממודלים מבוססים להתאמת אינפלציה מקרו-כלכלית, כאשר מבנה הפיגור כוילב למחזורי רכש של מגזר החשמל3,34.

התקדמות טכנולוגית שולבה באמצעות מקדם הפחתת עלויות ששיקף שיפורים ביעילות התפעולית כתוצאה מהתקדמויות כגון בדיקה באמצעות כלי טיס בלתי מאוישים, רובוטיקה חכמה וטכנולוגיות תחזוקה דיגיטליות. מקדם התאמת הטכנולוגיה מוגדר כ:

משוואת המודל הכלכלי, (Γ(E_tech,t)=1-α·ln(1+β·E_tech,t, הממחישה צמיחה טכנולוגית.  (4)

בחלק זה, α ו-β הם מקדמי גמישות אמפיריים שהוערכו מנתוני פאנל היסטוריים באמצעות ריבועים פחותים לא-ליניאריים. כדי להבטיח שגורם ההתקדמות הטכנולוגית תמיד ייצג הפחתה סבירה בעלות מכסת היחידה, תהליך הערכת הפרמטרים מגביל את התוצאה כך ש- 0 < Γ(Etech,t) ≤ 1. יש לציין שגורם זה משקף בראש ובראשונה שיפור יעילות לטווח ארוך הנובע מהחלפת טכנולוגיה בשלה. משוואה (4) מקורית לעבודה זו, והיא מביאה את מושג עקומת הלמידה מספרות העוסקות בעלויות של טכנולוגיית אנרגיה35,36, ומיישמת אותו על פעולות תחזוקת רשת. עלויות נוספות שעשויות להיווצר בשלב מוקדם של פריסת ציוד דיגיטלי, כגון הפעלה מקבילית של מערכות ישנות וחדשות, אינטגרציה של פלטפורמות, בדיקות תקשורה ותחזוקה נוספת, אינן מנוכות בכפייה מהמכסה הבסיסית; תחת זאת, הן מזוהות על ידי מודול פיצוי השאריות של למידת מכונה העוקב אחריהן:

נוסחת שיווי משקל סטטי, C_quota,t = C_base,t · Φ(PPI,t) · Γ(E_tech,t), משוואות, ניתוח.  (5)

כאשר Cבסיס,t מציין את עלות הבסיס הסטטית המחושבת מעומסי העבודה של נכסים ברמה התחתונה וממכסות עלות תפעול סטנדרטיות; נוסחת שיווי משקל סטטי Φ(I[PPI],t), משוואה, פיזיקה, עיקרון האיזון, ניתוח מחקר. לוכד את אפקט ההשפעה של תנודות מחירי מאקרו על מחירי חומרים, ציוד ושירותים חיצוניים; ו-Γ(Eטכנולוגיה, ט(...) משקף את ההפחתה בעלויות התפעול והתחזוקה ליחידה, המבוססת על היעילות, לאחר הבשלה טכנולוגית. באמצעות מנגנון האבולוציה הדינמי שהוצג לעיל, קו הבסיס של המכסה אינו נשאר עוד כבסיס חשבונאי סטטי, אלא יכול להסתגל לשינויים בסביבות כלכליות ובתנאים טכנולוגיים. משוואה (5) היא מקורית לעבודה זו ומייצגת את השילוב החדשני של תיקוני מחיר וטכנולוגיה במסגרת קו הבסיס של המכסה.

לכידה שיטתית של שאריות לא-ליניאריות תחת מגבלות מכסה

למרות תיקונים אבולוציוניים מורכבים, מודל המכסה מייצר באופן בל回避 מסטות סיסטמטיות כאשר הוא ניצב בפני שיבושים מזג אוויר בלתי צפויים הקשורים לאסונות והנחיות מדיניות פתאומיות, כגון עלייה בעלויות הטיפול בתלונות לקוחות במהלך תקופות זמניות של הפחתת תעריפים. סטייה זו מהווה את איבר השארית בשני צדי המשוואה:

Rt=Cactual,t-Cquota,t  (6)

מכיוון שכללים פיזיקליים קונבנציונליים אינם יכולים להסביר היבט זה, למידת מכונה יכולה לתת מענה למגבלות אלו. כדי להימנע מקללת הממדיות הנגרמת מאפיינים רב-מדיים, מחקר זה משתמש באלגוריתם XGBoost המבוס על מקבצי עצי החלטה כדי למדל את הקשר הבלתי-ליניארי Rt37,38. מטריצת מאפייני הפרעה חזקה Xt, הכוללת מאפיינים מטאורולוגיים כגון ימי קיפאון קיצוניים שנתיים Dice  ועוצמת מדיניות מאקרו, מוגדרת במחקר.

עבור מפצה לא-ליניארי המורכב מעצי רגרסיה, לוגיקת היצירה של השארית החזויה סמל R-hat לניתוח התכנסות, הממחיש שיטה סטטיסטית, עם הנוסחה בפורמט גרפי. ניתן להביע זאת כ-39:

משוואת חיזוי של הגברת גרדיאנט (Gradient boosting), נוסחה מתמטית, Σ fm(Xt), אלגוריתם, מידול נתונים.   (7)

כאשר F מייצגת את מרחב כל מבני עצי הסיווג והרגרסיה האפשריים. כדי לאזן בין דיוק ההתאמה למניעת התאמת-יתר, נבנית פונקציית מטרה רגולריזציה הכוללת איבר ענישה על מורכבות מבנית, והיא ממוזערת באיטרציה ה-m:

משוואת אופטימיזציה מתמטית, המביעה סיכום עבור התאמה של ניתוח נתונים.   (8)

איפה סימון קט (ket) של סופרפוזיציה קוונטית ⟨0|, נוסחת מכניקה קוונטית, משמשת בדיאגרמות של פיזיקה. היא פונקציית הפסד קמורה המודדת את ההפרש בין השארית האמיתית לשארית החזויה. מאמר זה מאמץ את הפסד הובר (Huber Loss) כדי להגביר את חוסנו של המודל להוצאות שיא חריגות. איבר הרגולריזציה סמל חוק אוהם; פונקציית אומגה במשוואה מתמטית; ייצוג נוסחאות. מש להגבלת מורכבות מבנה העץ ומוגדר כ:

משוואת אופטימיזציה Ω(fm)=γTm+(1/2)λ||wm||^2; נוסחה מתמטית; שימוש חינוכי.   (9)

כאשר Tm מייצג את מספר צמתי העלה בעץ ה-m, wm מייצג את וקטור משקלי העלים המתאים, ו-γ ו-λ מציינים את מקדם העונש למספר צמתי העלה ואת מקדם רגולריזציית המשקל, בהתאמה.

משוואת החיזוי הסופית היא:

משוואת מודל כלכלי, נוסחה להקצאת משאבים, שיטה לניתוח פינסי, תמונת משוואה.   (10)

פורש באופן רחב יותר כ:

משוואת קו בסיס למכסה דינמית; פיצוי שאריות לא-ליניארי; שיטת ניתוח נוסחאות.   (11)

הנוסחה לעיל מייצגת מתמטית את מבנה הלולאה הסגורה של מודל התחזית המוצע. דרישת עלות הייצור והתפעול הסופית אינה מיוצרת באופן ישיר על ידי מודל הלמידה המכונה; תחת זאת, היא מתקבלת על ידי ה additive (סכימה) של הפיצוי השאריתי הבלתי-ליניארי שזוהה על ידי מודול הלמידה המכונה על בסיס המכסה הדינמית. בין רכיבים אלו, גורמי מחיר וטכנולוגיה משקפים בעיקר את האבולוציה הדינמית של בסיס המכסה, בעוד שגורמים שקשה לאפיין באופן מפורש באמצעות כללים, כגון זעזועים אקלימיים, הפרעות במדיניות ועלייה חדה באירועי תיקון, נתפסים על ידי מודול הפיצוי השאריתי של הלמידה המכונה. משוואות (10) ו-(1) הן מקוריות לעבודה זו ומסנתזות את הבסיס הפיזי עם לכידת השאריות מבוססת ה-ML לכדי מסגרת תחזית מאוחדת.

איור 2 מראה כי תוצאות התחזית של המודל המוצע מציגות לוגיקת יצירה היררכית ברורה. מצד אחד, מכסת הבסיס מספקת תשתית פיזית יציבה, שקופה וניתנת לביקורת לדרישת העלות; מצד שני, התאמות מחירים, השפעות טכנולוגיות ושאריות של זעזועים חיצוניים מאפשרים למודל להסתגל לשינויים דינמיים בסביבות מורכבות. בהשוואה למודלים של "קופסה שחורה" המפיקים ערכים חזויים באופן ישיר, מבנה פירוק זה יכול לחשוף בבירור "מדוע העלויות עולות או יורדות", ובכך לשפר את יכולת הפרשנות של תוצאות המודל בבחינת תקציב ובבקרת תעריפי שינוע והפצה.

מקורות נתונים ונהלי איסוף

מודלים תיאורטיים חייבים לעבור תיקוף קפדני באמצעות נתונים אמפיריים כדי להוכיח את התועלת המעשית שלהם. מכיוון שהנתונים הפינסיים המרכזיים של מגזר האנרגיה כוללים מידע רגיש הנוגע לפעולות של תשתיות לאומיות, מחקר זה שולף נתוני חשבונאות חודשיים אנונימיים בעלי דיוק גבוה מרשת חשמל מחוזית טיפוסית במזרח סין, אשר תכונה לנוחות כ-E-Grid, המכסים 16 שנים קלנדריות רצופות משנת 2010 עד 2025. מחוז זה חווה מחזור כלכלי טיפוסי של מעבר מצמיחה מונעת על ידי תעשייה כבדה מסורתית לייצור עילי (high-end manufacturing), כאשר שיעור הצמיחה השנתי המורכב של היקף נכסי הרשת הגיע ל-7.4%. לפיכך, האבולוציה המורכבת של מבנה העלויות שלו עשויה להיות רלוונטית למערכות רשת אחרות המתפתחות במהירות. הנתונים מגיעים משלושה מקורות עיקריים: (1) יומני תפעול ותחזוקה פנימיים המתעדים עומסי עבודה ברמת הנכס, תדירויות בדיקה ואירועי תיקון; (2) מערכות חשבונאות פיננסית המספקות דוחות עלויות חודשיים עבור כוח אדם, חומרים, ציוד ושירותים במיקור חוץ; ו-(3) מאגרי נתונים סביבתיים חיצוניים הכוללים רישומים מטאורולוגיים מה-China Meteorological Administration ומדדים מאקרו-כלכליים מה-National Bureau of Statistics.

בקרת איכות וטיפול בנתונים חסרים

עבור למעלה מ-130 אינדיקטורים ראשוניים ששולבו ממערכות רב-מקוריות, הוטמע נוהל בקרת איכות קפדני. נקודות נתונים חסרות, שהוות פחות מ-3% מסך התצפיות, טופלו באמצעות אינטרפולציה ליניארית עבור משתנים רציפים עם מגמות זמניות, ובאמצעות השלמה לפי השכיח עבור אינדיקטורים קטגוריאליים. חריגים זוהו באמצעות שיטת הטווח הבינוני (IQR), כאשר ערכים העולים על 3.0 פעמים ה-IQR מעל הרבעון השלישי עברו വിנזורייזציה (winsorized) לאחוזון ה-99 כדי לשמר את שלמות הנתונים ולמזער עיוותים הנגרמים מערכים קיצוניים.

שיקולי גודל מדגם

מערך הנתונים כולל 192 תצפיות חודשיות (ינואר 2010–דצמבר 2025), כאשר 156 תצפיות (2010–202) הוקצו לאימון וולידציה ו-36 תצפיות (2023–2025) נשמרו לבדיקה מחוץ למדגם (out-of-sample testing). למרות שגודל מדגם זה צנוע יחסית עבור יישומים של למידה עמוקה, הוא מתאים לאלגוריתם XGBoost, שתוכנן במיוחד להשיג ביצועים טובים עם מערכי נתונים טבלאיים קטנים עד בינוניים באמצעות מנגנוני רגולריזציה וגיזום עצים. כדי להפחית סיכונים פוטנציאליים להתאמת יתר (overfitting), הוחלו (1) קנסות רגולריזציה קפדניים (γ = 0.1, λ = 1.0), (2) עצירה מוקדמת (early stopping) עם סבלנות של 50 סבבים, ו-(3) הגבלות שמרניות על עומק העץ (max depth = 5). אמצעים אלה מבטיחים יחד את יציבות המודל ואת יכולת ההכללה שלו למרות גודל המדגם המוגבל.

פילוח נתונים ואינטגרציה הטרוגנית מריבוי מקורות

עבור בדיקה קפדנית, נתונים מינואר 2010 ועד דצמבר 202 הוקצו למרווח האימון-תיקוף, הכולל 156 תצפיות, המשמש לאימון גורמי התפתחות המכסה ורשת שאריות פיצוי המכסה. התקופה שבין ינואר 2023 לדצמבר 2025 שמורה כסט בדיקה חיצוני (out-of-sample), הכולל 36 תצפיות. מדוע נבחרה תקופה זו כזירת הבדיקה הסופית? הסיבה היא ששלוש שנים אלו חפפו להאצה בבניית מערכות כוח מסוג חדש, בשילוב עם אירועי טמפרטורה גבוהה קיצוניים בהיקף נרחב הקשורים ל-El Niño וצמיחה מהירה ובלתי אחידה של ייצור אנרגיה מתחדשת מבוזרת. רשת החשמל התמודדה עם לחץ חסר תקדים בשרשראות אספקת חומרים ובהקצאת כוח אדם לתיקונים.

בחירה מדעית והגדרה כמותית של גורמים המניעים עלויות הן הבסיס להבטחה שרשת השאריות של למידת המכונה תוכל ללכוד תנודות סיסטמטיות ביעילות. בהתבסס על לוגיקת הניהול של עלויות תפעול סטנדרטיות במערכות חשמל, מחקר זה פורץ את הממד היחיד של תחזיות פינסיות מסורתיות, המסתמכות אך ורק על תזרימי מזומנים היסטוריים, ובמקום זאת בונה מחדש את הנדסת המאפיינים מארבעה גבולות ליבה: קנה מידה של נכסים פיזיים, תנאי תפעול ותחזוקה, אבולוציה מאקרו-כלכלית וסביבת אקלים חיצונית, תוך שימוש ביומני תפעול מקוריים וספרי רישום של מערכות חיצוניות. בתהליך המידול בפועל, עבור יותר מ-130 אינדיקטורים מקוריים הנובעים משילוב מערכות רב-מקוריות, מחקר זה משתמש במבחני מתאם פירסון כדי לסלק משתנים מיותרים בעלי קוליניאריות גבוהה, עם סף של |r| > 0.85. בהתבס על ידע קודם של מומחי רשת חשמל בכירים, נבחרו לבסוף 42 מאפייני קלט מרכזיים כדי להוות את מטריצת המאפיינים Xt. כדי להציג בבירור את מבנה הנתונים הבסי ואת ההתפלגות של טנזור הקלט, Table 2 בוחר 12 מאפייני ליבה מייצגים מארבעה ממדי ההערכה שהוזכרו לעיל ומסכם את הסטטיסטיקה התיאורית שלהם לאורך תקופת התצפית.

כדי להמחיש יותר את הבסיס המרחבי-טופולוגי של מערכת המאפיינים מרובת המקורות, איור 3 מציג טופולוגיה סכימטית אנונימית של רשת החשמל המחוזית הנחקרת. האיור מניח בשכבות תחנות משנה ברמות מתח שונות, מסדרונות הולכה, מקבצי אנרגיה מתחדשת מבוזרים, מרכזי עומס ואזורי הפרעה סביבתית מייצגים. הטופולוגיה מסייעת להסביר מדוע עלויות הייצור והתפעול מושפעות באופן משותף מהיקף הנכסים, מבנה הרשת, עוצמת תיקוני החירום וזעזועי אקלים חיצוניים. היא מספקת גם בסיס לפרשנות מרחבית עבור המשתנים המניעים את השאריות המשמשים במודול הפיצוי של XGBoost.

טבלה 2 מראה כי משתנים מסבירים מממדי עסקים שונים מציגים צורות סטטיסטיות שונות בבירור. משתני נכסים פיזיים המייצגים דינמיקה פנימית של פיתוח ארגוני, כגון קיבולת תחנת משנה ואורך קו, בעלי סטיות תקן יחסית יציבות וערכי התכסית (skewness) המרוכזים בין 0.1 ל-0.8. מבנה הנתונים הכללי שלהם הוא בקירוב התפלגות נורמלית, המשקפת באופן אובייקטיבי את מאפיין הפיתוח היציב של רשת החשמל במחזור בניית התשתיות. בניגוד גמור לכך הם המשתנים המטאורולוגיים ומשתני ההפרעה הסביבתית החיצונית בתחתית הטבלה. לדוגמה, המספר המצטבר של ימי חום גבוה ברמת אזהרה ב-90 הימים האחרונים ומד השפעת ניתוק הקו מציגים התכסית ימינית חזקה במיוחד, עם ערכי התכסית של 2.15 ו-2.45, בהתאמה. התפלגות זנב-כבד טיפוסית זו מאששת נקודת תורפה אובייקטיבית שאין להתעלם ממנה בתפעול ותחזוקה בפועל של רשת חשמל: למרות שאסונות מזג אוויר קיצוניים מתרחשים בתדירות נמוכה יחסית לאורך השנה, ברגע שהם מופעלים, הם גורמים לעיתים קרובות לעלייה אקספוננציאלית בהשקעת כוח אדם לתיקונים ובצריכת חלקי חילוף. מנקודת מבט אחרת, חוסר האחידות הגבוה וההטיה של ערכים קיצוניים בהתפלגות תכונות רב-מקוריות אלו חושפים את המגבלות התאורטיות של מודלים ליניאריים מסורתיים של סדרות עתיות, כגון ARIMAX, המבוססים על הנחות של נורמליות והומוסקדסטיות (homoscedasticity) בעת מעקב אחר עלויות מורכבות של רשת חשמל. דבר זה לא רק מבס עוד יותר את הרציונל להכנסת מודול למידת מכונה מעבר לבסיס החשבונאות הפיזי, אלא גם מספק תמיכה סטטיסטית מוצקה לבחירת מודל העץ XGBoost במאמר זה, המסוגל לטפל ביעילות בהתפלגויות תכונות דלילות ובמיפויים לא-ליניאריים לקירוב שאריות עלות.

הקמה של מערכת להערכה ואופטימיזציה של היפר-פרמטרים

לאחר קביעת מרחב הקלט של המאפיינים, הגדרת ההיפר-פרמטרים של המודל משפיעה ישירות על ביצועי ההתאמה של רשת קירוב השאריות. מכיוון שרשת הפיצוי של XGBoost כוללת מספר פרמטרים, כולל עומק העץ (max depth), קצב למידה ואיברי ענישה של רגולריזציה, ומכיוון שלפרמטרים אלו יש אינטראקציות לא ליניאריות, חיפוש רשת (grid search) קונבנציונלי אינו סובל רק ממורכבות חישובית גבוהה, אלא נוטה גם להיתקע במינימום מקומי במרחבים רב-ממדיים. לפיכך, מחקר זה מציג את ה-Tree-structured Parzen Estimator (TPE), שיטת אופטימיזציה בייסיאנית, בתהליך כוונון הפרמטרים. אלגוריתם ה-TPE יכול להנחות באופן דינמי את כיווני הדגימה הבאים באמצעות משוב של פונקציית ההפסד מהערכות קודמות. על ידי בניית אומדן צפיפות גרעין (KDE) פוסטריורי של המשתנה המטרה, הוא מצמצם באופן אדפטיבי את מרחב החיפוש של הפרמטרים, ובכך מאפשר למודל לקרב את קונפיגורציית ההיפר-פרמטרים האופטימלית הגלובלית ללא עלות חישובית גבוהה. מטרת האופטימיזציה של TPE הייתה למזער את ה-RMSE של התיקוף לאורך 10 איטרציות, עם עצירה מוקדמת לאחר 50 סבבים ללא שיפור.

לאחר השלמת אופטימיזציית הפרמטרים על סט האימות הפנימי, על מנת להעריך באופן אובייקטיבי את הביצועים הסופיים של כל מודל על סט הבדיקה החיצוניים (out-of-sample) ולעמוד בדרישות ההערכה הכמותית של הרגולטורים לאימות עלויות, מחקר זה משתמש בטעות באחוזים מוחלט ממוצע (MAPE) כדי לכמת את הסטייה היחסית ברצף שנחזה. במקביל, כדי לתת מענה לצורך המעשי בבקרה על כישלונות חמורים בחיזוי עלויות במהלך התפעול, נעשה שימוש גם בשורש ממוצע ריבועי של השגיאה (RMSE) כדי להטיל קנסים חמורים יותר על שגיאות גדולות. לבסוף, מקדם הדטרמינציה, R2, מכמת את כוח ההסבר הכללי של הרגרסיה ביחס לשונות המטרה האמיתית.

הגדרות המתמטיות של המדדים הן כדלקמן:

נוסחת טעות אחוזית מוחלטת ממוצעת (MAPE); ניתוח סטטיסטי; חישוב מדידת טעות.   (12)

משוואת שורש ממוצע הריבוע של השגיאה (RMSE); מדידת שגיאה סטטיסטית; הדגמה של הנוסחה.    (13)

נוסחת R² לניתוח רגרסיה סטטיסטית; תרשים משוואה להערכת דיוק התאמת נתונים.   (14)

איפה משוואת מאמץ זרימה דינמי, C_actual,t, סמל בביטוי מתמטי, מכניקה של חומרים. מייצג את עלות הייצור והתפעול בפועל בתקופה t, משוואה של ריכוז כולל עם סימון מייצג את העלות שנחזתה על ידי המודל, משוואת סימון וקטורי, C_actual, הכוללת חץ מעל ה-C, הרלוונטית למושגים בפיזיקה. מייצג את העלות הממוצעת בפועל במדגם הבדיקה, ו-N הוא מספר המדגמים בסט הבדיקה.

תוצאות

השוואה פנורמית עם הפחתת ממדים של דיוק החיזוי

כאשר כל המודלים שעברו אופטימיזציה באמצעות Tree-structured Parzen Estimator (TPE) הוערכו על קבוצת הבדיקה מחוץ למדגם לשנים 2023–2025, שכללה תנודות של התאוששות פוסט-פנדמיקה ואירועי טמפרטורה גבוהה קיצוניים, ניתן היה להשוות באופן אובייקטיבי את ביצועיהם של אלגוריתמי חיזוי נפוצים. כדי לספק הערכה קפדנית ומקיפה, נכללו ארבעה מודלי ייחוס המייצגים גישות מתודולוגיות שונות: Traditional Exponential Smoothing, המייצג חיזוי פינסי קונבנציונלי; SARIMAX, המייצג מידול ליניארי של סדרות עתיימות עונתיות; רגרסיית XGBoost עצמאית, המייצגת גישה מונחית נתונים טהורה ללא מגבלות מכסות; ו-Attention-LSTM, רשת זיכרון לטווח קצר ארוך (long short-term memory) עם מנגנון קשב, הנפוצה לחיזוי רצפים ארוכים.

כפי שמוצג ב-טבלה 3, מודל ה-Quota-ML המוצע הועיל על כל מודלי הייחוס בחיזוי עלויות ייצור ותפעול במהלך תקופת המדגם החיצוני לשנים 2023–2025. המודל השיג MAPE של 2.34%, ובכך הפחית את שגיאת החיזוי ב-61.8% בהשוואה ל-SARIMAX (6.12%) וב-34.1% ביחס למודל Attention-LSTM (3.55%). ערכי ה-RMSE שלו (15.69 מיליון CNY) וה-MaxAE (23.05 מיליון CNY) היו נמוכים ממחצית מאלו של רשת העצבים הטובה הבאה, בעוד שערך R2 של 0.957 העיד כי המודל הסביר יותר מ-95% מהשונות בעלויות שנצפו. תוצאות אלו מוכיחות כי שילוב של מכסות עלות הנדסיות, אבולוציה דינמית של מכסות ופיצוי שאריות מבוס XGBoost משפר באופן משמעותי הן את דיוק החיזוי והן את החסון (robustness), בהשוואה לשיטות סדרות זמן מסורתיות ומודלים המבוססים על נתונים בלבד.

כפי שמוצג ב-איור 4, עלויות הייצור והתפעול בפועל הראו תנודות עונתיות ברורות ומספר תקופות שיא בולטות במהלך פרק הזמן של הבדיקה. בפרט, העלויות עלו בחדות במהלך אירועי הטמפרטורה הגבוהה במיוחד של יולי ואוגוסט 2024. למרות שמודל ה-Attention-LSTM תפס את המגמה העונתית הכללית, תחזיותיו היו חלקות יחסית והמעריכו בחסר עליות עלויות פתאומיות הקשורות לתיקונים דחופים, העמסת ציוד כבד וצריכה מוגברת של אספקת חירום. מודל ה-XGBoost העצמאי הגיב בצורה יעילה יותר לתנודות מקומיות אך סטה מהמסלול שנצפה במהלך מספר חודשים בשל היעדר מגבלות מכסות הנדסיות. לעומת זאת, מודל ה-Quota-ML המוצע עקב מקרוב אחרי מסלול העלויות שנצפה לאורך כל תקופת הבדיקה, ושיחזר במדויק הן את זינוק העלויות בקיץ 2024 והן את שיאו המשני של הקיץ בשנת 2025.

הביצועים העליונים של מודל ה-Quota-ML מדגימים את התועלת שבשילוב של מכסות עלויות הנדסיות עם תיקון שאריות מבוס למידת מכונה. קו הבסיס הדינמי של המכסות מספק תשתית בעלת פרשנות פיזיקלית המשקפת את התפתחותם של נכסי רשת החשמל ואת עומסי העבודה התפעוליים, ובכך הוא מונע למידה ללא הגבלה מנתוני סדרות זמן פינסיות מוגבלים. רשת פיצוי השאריות מתמקדת לאחר מכן בהפרעות לא-ליניאריות שקשה לייצגן באמצעות כללי מכסות הנדסיים בלבד, כולל אירועים מטאורולוגיים, זינוקים בהזמנות עבודה לתחזוקה ושינויים הקשורים למדיניות. כתוצאה מכך, המודל המוצע השיג את ערכי ה-MAPE וה-RMSE הנמוכים ביותר מבין כל השיטות שנבחנו (טבלה 3) וסיפק את המעקב המדויק ביותר אחר שיאי עלויות עונתיים ואירועים קיצוניים (איור 4), ובכך הוכיח את התאמתו לחיזוי ייצור לטווח ארוך וחיזוי עלויות תפעול.

תיקוף באמצעות השבתה (Ablation) של מרכיבי הארכיטקטורה המרכזיים

במסגרת היברידית מורכבת הכוללת תתי-מודולים מקוננים, סוגיית הביקורת האקדמית המרכזית מתמקדת בדרך כלל בשאלה האם המודל סובל מ"הנדסה יתר" (over-engineering). עריכת ניסויי אבלציה (ablation experiments) פנימיים באמצעות הסרת רכיבי ליבה היא הכרחית כדי לבחון את מערכות היחסים האמיתיות ואת רמות התרומה של כל מודול. מחקר זה קובע שני נתיבי דגראדציה עבור הארכיטקטורה. ראשית, מבנה A, המסיר את מנגנון האבולוציה הדינמית: קו הבסיס של המכסה מוגבל בכפייה לסטנדרטים פיזיקליים סטטיים מהעבר, תוך הסרת חדירתם של גורמי הצטברות אינפלציה מאקרו-כלכלית וגורמי דפלציה של קידמה טכנולוגית בשנים האחרונות, והשארת קו הבסיס הסטטי ההיסטורי בלבד משוואות שיווי משקל סטטיות, C_base,t; נוסחה מתמטית ליציבות; תרשים לימודי. מחובר לרשת השארית (residual network). שנית, מבנה B, המסיר את מודול מעקב השארית הבלתי-ליניארי: המודל מידרדר לחלוטין לגישה אקטוארית, קוטע את לולאת לכידת התנודות האקראיות המונחית בינה מלאכותית, ולוקח ישירות את ערך חישוב המכסה הדינמי הטהור. משוואת כרומטוגרפיה, C_quota,t, ניתוח התאמה ספקטרלית, תרשים מחקר מדעי., לאחר תיקון סביבתי-מאקרו, כפלט סופי. יחס אובדן השונות המוסברת מחושב על בסיס הירידה היחסית ב-R2 בין המודל המלא למודל המופחת, המוגדר כ:

נוסחת Loss של שונות מוסברת; ניתוח סטטיסטי; שיטת חישוב R²; פרשנות נתונים.   (15)

טבלה 4של ניתוח השבחה (ablation study) מגלה כי שני רכיבי המסגרת המוצעת תורמים באופן משמעותי לדיוק החיזוי, אך לפיצוי השארית באמצעות למידת מכונה יש תפקיד קריטי יותר. הסרת מנגנון האבולוציה הדינמית עבור מחיר וטכנולוגיה (Variant A) מעלה את ה-MAPE ל-4.15% (הידרדרות של 1.81 נקודות אחוז) ומפחית את R2 ל-0.837, מה שמסביר 12.5% פחות מהשונות מאשר המודל המלא. לעומת זאת, ביטול הפיצוי על שארית ה-ML (גרסה B) גורם לירידה חדה הרבה יותר: ה-MAPE עולה ל-5.62% (+3.28 נקודות אחוז), ה-R2 יורד ל-0.686, ויחס אובדן השונות המוסברת מגיע ל-28.3%. תוצאות אלו מוכיחות כי בעוד שעדכון מכסות דינמי משפר את הדיוק של קו הבסיס, תיקון השאריות המבוס על XGBoost הוא הכרחי ללכידה של גורמי עלות לא-ליניאריים, ויחד הם יוצרים ארכיטקטורה היברידית סינרגית.

כדי להקל על השוואת ביצועי המודל בין ניסויי האבליציה, נבנה תרשים רדאר נורמלי כדי להציג חמישה מדדי הערכה: MAPE, RMSE, R2, MaxAE וחסינות (robustness). מדדי שגיאה (MAPE, RMSE ו-MaxAE) עברו נורמליזציה הפוכה, כך ששגיאות נמוכות יותר תואמו לציונים גבוהים יותר, בעוד שמדדים חיוביים (R2 וחסינות) עברו נורמליזציה כך שערכים גבוהים יותר תואמו לציונים גבוהים יותר. לאחר הנורמליזציה, כל המדדים מייצגים ציוני ביצועים ברי-השוואה, כאשר ערכים הקרובים יותר לגבול החיצוני מעידים על ביצועים כלליים מעולים יותר.

כפי שמוצג ב-איור 5, מודל ה-Quota-ML המלא השיג ציונים גבוהים באופן עקבי בכל חמשת ממדי הביצועים, ויצר את פרופיל הרדאר הגדול והמאוזן ביותר. תוצאה זו מעידה על כך שהמסגרה המוצעת מספקת איזון יעיל בין בקרת שגיאה יחסית, דיוק חיזוי כולל, כוח הסברי, דיכוי שגיאות קיצוניות ועמידות בתנאי הפעלה משתנים.

לעומת זאת, גרסה A, שבה הושמט מנגנון התפתחות המכסה הדינמית תוך שמירה על פיצוי שאריות מבוס למידת מכונה, הראתה ירידה ניכרת בביצועים הכלליים. ממצא זה מרמז כי בסיס מכסה סטטי לבדו אינו יכול להסביר באופן מספק שינויים מבניים הנגרמים מתנודות במחירי הסחורות ומהתקדמות טכנולוגית. ירידה גדולה עוד יותר בביצועים נצפתה בגרסה B, שבה הוסר מודול פיצוי השאריות והתחזית התבססה אך ורק על בסיס המכסה הדינמית. במקרה זה, הביצועים הדרדרו באופן משמעותי, במיוחד בכל הנוגע למדדי שגיאה ולחסינות.

כפי שסוכם ב-טבלה 4, ה-MAPE של גרסה B עלה מ-2.34% עבור המודל המלא ל-5.62%, מה שמסמל עלייה של 3.28 נקודות אחוז, בעוד שערך ה-R2 ירד ב-28.3%. תוצאות אלו מעידות על כך שמרות שמודל המכסה הדינמי משלב אינפלציה מאקרו-כלכלית והתאמות יעילות מונעות טכנולוגית, הוא אינו יכול ללכוד באופן מלא שינויים חדים בעלויות הקשורים למזג אוויר קיצוני, תחזוקה דחופה, שינויים במדיניות ותנאי תפעול חריגים.

באופן כללי, ניתוח האבלציה (ablation analysis) מדגים כי שני הרכיבים העיקריים של המסגרה המוצעת הם חיוניים. מנגנון האבולוציה הדינמית של המכסה מתאים את בסיס ההנדסה לשינויים בתנאים המקרו-כלכליים ולהתקדמות טכנולוגית, בעוד שמודול פיצוי השארית מבוס למידת מכונה לוכד סטיות לא-ליניאריות שלא ניתן לייצג באופן מפורש על ידי כללי מכסה הנדסיים. יחד, רכיבים משלימים אלו יוצרים מסגרת חיזוי משולבת המשלבת בסיס מכסה בעל פרשנות פיזיקלית עם למידת שארית מונחית נתונים, כדי להשיג חיזוי עלויות ארוך טווח מדויק וחסון.

תיקוף הניתנות לפירוש של מודל פיצוי השאריות

על אף שהשוואת דיוק התחזיות וניסויי האבליציה (ablation) הדגימו את חשיבותו של מודול פיצוי השאריות המבוס על למידה חישובית, מדדי שגיאה לבדם אינם יכולים לקבוע אם למערכות היחסים הבלתי-ליניאריות שנלמדו יש פרשנויות פיזיקליות או תפעוליות משמעותיות. לפיכך, נעשה שימוש ב-SHAP (Shapley Additive exPlanations) כדי לפרש את מודל השאריות של XGBoost40. שיטת SHAP אומצה באופן נרחב להסבר מודלים של למידה חישובית בתחום תחזיות חשמל ואנרגיה ובמערכות מורכבות קשורות41,42. על ידי כימות התרומה של כל מאפיין קלט לתחזיות המודל, SHAP מאפשרת להעריך האם דפוסי השאריות שנלמדו עקביים עם ידע הנדסי.

כפי שמוצג ב-איור 6, משתני הפרעה חיצוניים — כולל המספר המצטבר של ימי טמפרטורה גבוהה ברמת אזהרה במהלך 90 הימים הקודמים, מדד הפסקת קווים עקב סערות קונבקטיביות חריפות וטייפונים, משך גשם מקפיא ושלג, ומספר אירועי תיקון לא מתוכננים — הראו ערכי SHAP חיוביים חזקים. דגימות עם ערכים גבוהים עבור משתנים אלו התרכזו באזור ה-SHAP החיובי, מה שמעיד על כך שמזג אוויר קיצוני ופעולות תחזוקה חירום העלו באופן עקבי את העלויות בפועל מעבר לקו הבסיס של המכסה הדינמית. ממצאים אלה מוכיחים כי מודול הפיצוי השארי captured הפרעות סביבתיות ותפעוליות משמעותיות, ולא רק התאים רעש מקרי.

מספר משתנים נוספים, כולל משך זמן הפעלה בעומס כבד, מדד מחירי המתכות של ה-PPI, שיעור ההשקעה הדיגיטלית, קיבולת מותקנת של פוטו-וולטאיקה מבוזרת ואורך קו ההולכה, הראו גם הם תרומה משמעותית לתחזיות השאריות. תוצאות אלו מצביעות על כך שסטיות מקו הבסיס של המכסה מושפעות במשותף מאירועי מזג אוויר לטווח קצר, הרחבת נכסים, העברת מחירי סחורות, טרנספורמציה של מערכות חשמל ודיגיטליזציה. באופן notable, שיעור ההשקעה הדיגיטלית תרם באופן חיובי לעלויות השאריות בחלק מהתצפיות, מה שמרמז כי טרנספורמציה דיגיטלית בשלבים מוקדמים עשויה להגדיל זמנית את ההוצאות בשל אינטגרציה של מערכות, תחזוקת פלטפורמות והפעלה מקבילה של מערכות מורשות ומערכות שנפרסו לאחרונה. באופן כללי, ניתוח ה-SHAP מתקף את יכולת הפרשנות העסקית של מודול פיצוי השאריות ומספק תמיכה אמפירית להבנת ההשפעות של אירועי מזג אוויר קיצוניים וטרנספורמציה דיגיטלית על עלויות הייצור והתפעול.

בדיקת מובהקות סטטיסטית של שיפורים בתחזיות

כדי לקבוע האם השיפורים בתחזיות שהושגו על ידי המסגרה המוצעת היו מובהקים סטטיסטית, בוצעו מבחני השוואה רשמיים של התחזיות. בהתאם לפרקטיקה המקובלת בתחזיות אנרגיה ובאקונומטריקה, נעשה שימוש במבחן Diebold–Mariano (DM) כדי להשוות את דיוק התחזית של המודל המוצע לכל אחד ממדדי הייחוס. מבחן ה-DM מתאים מאוד לתחזיות של סדרות זמן, כיוון שהוא לוקח בחשבון את האוטו-קורלציה בשגיאות התחזית מבלי לדרוש שאריות בעלות התפלגות נורמלית.

עבור כל השוואה, השערת האפס הניחה כי לדגמים המוצעים ולדגמי הייחוס דיוק חיזוי שווה, בעוד שהשערת הנגד הניחה כי הדגם המוצע הפיק שגיאות חיזוי נמוכות יותר. מבחני DM חד-צדדיים בוצעו תוך שימוש בשגיאת חיזוי בריבוע כפונקציית ההפסד. כדי להתחשב בהטרוסקדסטיות ובאותו-מתאם בסדרת הפרשי ההפסדים, הוחלו שגיאות תקן של Newey–West עם בחירה אוטומטית של פיגור (lag). בנוסף, בוצע מבחן הדירוגים הסימניים של וילקוקסון (Wilcoxon signed-rank test) כחלופה לא-פרמטרית שאינה נשענת על הנחות התפלגותיות. יחד, מבחנים משלימים אלו מספקים הערכה חסונה של המובהקות הסטטיסטית של השיפורים שנצפו בחיזוי.

כפי שסוכם ב-Table 5, מסגרת החיזוי המוצעת השיגה שיפורים מובהקים סטטיסטית על פני כל מודלי הייחוס. נתוני ה-DM החיוביים מעידים על טעויות חיזוי נמוכות יותר באופן עקבי מאשר בגישות המתחרות. השיפור הגדול ביותר נצפה ביחס למודל ARIMA‏ (DM = 3.842, p < 0.01), דבר המדגים את היתרון בשילוב מכסות עלויות הנדסיות בתוך מסגרת החיזוי. בהשוואה ל-ARIMAX, הכולל משתנים חיצוניים, המודל המוצע הראה גם הוא שיפור משמעותי (DM = 3.215, p < 0.01), מה שמדגיש את הערך הנוסף של שילוב קו בסיס של מכסות דינמיות עם פיצוי שאריות מבוס למידת מכונה.

המודל המוצע הראה גם ביצועים טובים משמעותית ממדגמי הייחוס של הלמידה העמוקה. השיפורים בתחזיות היו משמעותיים ביחס למודל ה-LSTM (DM = 2.876, p = 0.02) ולמודל ה-Transformer (DM = 2.543, p = 0.01). למרות שהשיפור ביחס למודל XGBoost העומד בפני עצמו היה קטן יותר (DM = 2.187, p = 0.029), הוא עדיין נותר מובהק סטטיסטית. מכיוון ששני המודלים משתמשים בלמידה מבוססת עצים, תוצאה זו מוכיחה כי שילוב קו הבסיס של המכסה הדינמית מספק ערך ניבויי נוסף מעבר לגישה המבוססת נתונים בלבד. מבחן הדירוג עם סימן של וילקוקסון (Wilcoxon signed-rank test) הניב רמות מובהקות העקביות עם אלו של מבחן ה-DM, מה שמהווה ראיה נוספת לכך שהשיפורים בתחזיות של המסגרת המוצעת הם חסונים סטטיסטית.

זמינות נתונים:

מערכי הנתונים ששימשו במחקר זה הועלו למאגר ציבורי (DOI: https://doi.org/10.5281/zenodo.21645584).

תרשים תהליך ניהול נכסי רשת; נכסים, מכסות עבודה, חשבונות עלות ותחזית ביקוש.
איור 1מיפוי הקשרים בין נכסי רשת החשמל, מכסות תפעול סטנדרטיות וחשבונות עלויות. איור זה מראה כי מכסות עלות אינן רק כללי הקצאה פינסיים מופשטים, אלא יחידות חשבונאיות סטנדרטיות המוטמעות לאורך כל תהליך התפעול והתחזוקה של נכסי רשת החשמל. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

תרשים יציבות של רשת חשמל עם סיכוני טמפרטורה גבוהה, טייפון וגשם מקפיא; נקודות חמות של מצבי חירום מסומנות.
איור 3טופולוגיה סכמטית אנונימית של רשת החשמל המחוזית שנחקרה ושכבות הפרעה המניעות עלויות. איור זה מציג טופולוגיה סכימטית אנונימית של רשת החשמל המחוזית שנחקרה. האיור מציג בשכבות תתי-תחנות ברמות מתח שונות, מסדרונות הולכה, מקבצי אנרגיה מתחדשת מבוזרים, מרכזי עומס ואזורי הפרעה סביבתיים מייצגים. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

תרשים השוואת עלויות תפעול, 2023-2025. מודלים: Attention-LSTM, XGBoost, ניתוח Quota-ML.
איור 4מסלולי חיזוי של מודלי ליבה ועלויות בפועל במהלך פרק הזמן של בדיקת חוץ-מדגם לשנים 2023–2025. איור זה מראה כי עלויות הייצור והתפעול בפועל במהלך תקופת הבדיקה מראות תנודות עונתיות ברורות ושיאים פתאומיים. במהלך הלם הטמפרטורה הגבוה באופן קיצוני ביולי ובאוגוסט 2024, העלויות בפועל עלו באופן משמעותי. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

תרשים מכ
איור 5השוואה מנורמלת של ביצועי חיזוי בין גרסאות שונות של אבלציה. תרשימי רדאר משווים את הביצועים המנורמלים של מודל Quota-ML המלא ושתי גרסאות אבליציה (ablation variants) באמצעות חמישה מדדי הערכה: מדד MAPE, מדד RMSE, R2 מדד, מדד MaxAE ומד חוסן. מדדים מבוססי שגיאה (MAPE, RMSE ו-MaxAE) עברו נורמליזציה הפוכה כך שציונים גבוהים יותר מעידים על שגיאות חיזוי נמוכות יותר, בעוד ש-R2 והחוסן נורמלו כך שציונים גבוהים יותר מעידים על ביצועי מודל טובים יותר. פרופיל הרדאר הרחב יותר של מודל ה-Quota-ML המלא מדגים ביצועי חיזוי כוללים עמוקים יותר בהשוואה לשתי גרסאות האבלציה (ablation variants). אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

גרף ערכי SHAP של ניתוח השפעת מאפיינים על יציבות רשת החשמל; ויזואליזציה וניתוח נתונים.
איור 6: תרשים סיכום SHAP המציג את תרומת המאפיינים לניבוי עלות שיורית. תרשים סיכום SHAP (Shapley Additive exPlanations) הממחיש את התרומות של המשתנים המשפיעים ביותר למודל פיצוי השאריות של XGBoost. כל נקודה מייצגת תצפית אחת, כאשר הצבע מעיד על ערך המאפיין (כחול = נמוך; אדום = גבוה) והמיקום האופקי מייצג את ערך ה-SHAP. ערכי מאפיין גבוהים יותר עבור משתנים כגון ימי חום קיצוניים, מדד הפסקות חשמל הקשורות לטייפונים, משך סערת קרח ואירועי תיקון לא מתוכננים קשורים בדרך כלל לערכי SHAP חיוביים יותר, המעידים על עלייה בעלויות הייצור וההפעלה של השאריות. התרשים מדגים כי הן הפרעות סביבתיות והן גורמים תפעוליים תורמים באופן משמעותי לחריגות מקו הבסיס של המכסה הדינמית. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של איור זה.

טבלה 1: תיאור משתני ומדדי מודל הליבה. טבלה זו מציגה את המשתנים המרכזיים במודל חיזוי העלויות המוצע Quota-ML, ומבחינה בין עלויות בפועל לעלויות חזויות; קווי בסיס של מכסות סטטיות ודינמיות; פרמטרי עומס עבודה ומכסה; גורמי התאמה מקרו-כלכליים (PPI והתקדמות טכנולוגית); ורכיבים שאריתיים. אנא לחצו כאן להורדת טבלה זו.

טבלה 2: סיווג וסטטיסטיקה תיאורית של מאפייני הקלט המרכזיים של מודל החיזוי. 
טבלה זו מראה כי משתנים מסבירים מממדים עסקיים שונים מציגים צורות סטטיסטיות מובחנות. טבלה זו מסכמת את הסטטיסטיקה התיאורית של משתנים מייצגים של נכסים פיזיים, משתנים תפעוליים, מקרו-כלכליים וסביבתיים המשמשים כקלטים למודל. אנא לחצו כאן להורדת טבלה זו.

מודליםMAPE %RMSE (CNY, מיליונים)R² של התאמה (Goodness of Fit)MaxAE (CNY, מיליונים)
החלקה מעריכית מסורתית8.7554.20.651125.04
מודל סדרות זמן SARIMAX6.1238.540.76884.21
רגרסיית XGBoost טהורה4.3829.160.85251.06
רשת נוירונים Attention-LSTM3.524.020.89440.53
מודל Quota-ML המוצע2.3415.690.95723.05

טבלה 3: השוואת ביצועים כוללת של מודלים שונים על קבוצת הבדיקה מחוץ למדגם לשנים 2023–2025. טבלה זו ממחישה כי מודל ה-Quota-ML המוצע עולה בביצועיו באופן משמעותי על כל מודלי הייחוס בחיזוי עלויות הייצור והתפעול של רשת החשמל במהלך תקופת הבדיקה מחוץ למדגם לשנים 2023–2025.

גרסה ניסוייתרכיב ליבה שהוסרביצועי פירוק של MAPER²יחס הפסד של שונות מוסברת
גרסה Aאין דינמיקה של התפתחות מחיר / טכנולוגיה4.15% (+1.81 נק"א)0.83712.50%
גרסה Bללא פיצוי שארית ML5.62% (+3.28 נק"פ)0.68628.30%
מודל מלאמסגרת ה-Quota-ML המוצעת המלאה2.34%0.957קו בסיס

טבלה 4: תוצאות ניסויי השהרה (Ablation) של המסגרת המשולבת של מכונת מכסות ולמידה חישובית. טבלה זו מראה כי שני רכיבי המסגרת המוצעת תורמים משמעותית לדיוק החיזוי, אך לפיצוי השאריות באמצעות למידה חישובית יש תפקיד קריטי יותר.

השוואהמבחן דיבולד-מאריאנו (Diebold-Mariano Test)מבחן סימני הדירוג של וילקוקסון (Wilcoxon Signed-Rank Test)
המודל המוצע לעומת ARIMADM = 3.842*** (p < 0.001)W = 486.0*** (p < 0.001)
המודל המוצע לעומת ARIMAXDM = 3.215*** (p < 0.001)W = 452.0*** (p < 0.001)
המודל המוצע לעומת LSTMDM = 2.876** (p = 0.02)W = 398.0** (p = 0.003)
המודל המוצע לעומת TransformerDM = 2.543* (p = 0.01)W = 364.0* (p = 0.014)
המודל המוצע לעומת XGBoost (למידת מכונה טהורה)DM = 2.187* (p = 0.029)W = 328.0* (p = 0.031)

טבלה 5: תוצאות מבחני מובהקות סטטיסטית להשוואות תחזיות. סטטיסטיקה של מבחן Diebold-Mariano עוקבת אחר התפלגות נורמלית סטנדרטית תחת השערת האפס. ערכי DM חיוביים מעידים על דיוק תחזית גבוה יותר של המודל המוצע. כל המבחנים הם חד-צדדיים עם השערה חלופית שהמודל המוצע בעל שגיאת תחזית נמוכה יותר מהמודל הייחוסי. סטטיסטיקת מבחן הדירוגים המסומנים של Wilcoxon (W) מדווחת עם ערכי p תואמים. פונקציית הפסד = ריבוע שגיאת התחזית.

דיון

מחקר זה מדגים כי שילוב של מכסות עלויות תעשייתיות עם למידה מכונה מספק מסגרת ניתנת לפירוש ומדויקת לחיזוי עלויות רשת חשמל לטווח ארוך. התוצאות מראות כי משתנים הקשורים לאקלים, ובמיוחד ימים עם טמפרטורות גבוהות קיצוניות ומדדי השפעת ניתוקי קווים, הם הגורמים הדומיננטיים לשאריות העלויות, דבר המדגיש את ההשפעה הגוברת של הפרעות חיצוניות על הוצאות התשתיות. ממצאים אלו מרמזים כי אין להתייחס עוד לעלויות הקשורות למזג האוויר כהוצאות תפעוליות מקריות, אלא יש להטמיען בעתודות ביטחון ייעודיות, כאשר הפעלת העתודה תהיה מקושרת לסיכוני אקלים חזויים. זיהוי השפעות ניתוקי קווים כגורמי עלות מרכזיים מדגיש עוד יותר את ערכן של אסטרטגיות תחזוקה חזויה וניטור מצב בהפחתת הפרעות תפעוליות ותנודתיות בעלויות.

הניתוח חושף darüber שטרנספורמציה דיגיטלית עשויה להעלות את העלויות התפעוליות בשלבים המוקדמים של היישום, בשל הפעלת מערכות כפולות בתקופת המעבר, במקום להביא לרווחי יעילות מיידיים. ממצא זה מצביע על כך שחברות שירותים צריכות להעריך השקעות דיגיטליות באמצעות הערכת עלויות מחזור חיים במקום ביצועים פיננסיים לטווח קצר, ועליהן לצפות לחפיפות זמנית בעלויות בעת פריסת ניטור חכם, ניהול הפצה מתקדם או תחנות משנה דיגיטליות. ניתן להרחיב את מסגרת הפיצוי השאריות המוצעת גם כדי להעריך את הנקודה שבה השקעות דיגיטליות מתחילות להניב חיסכון נקי בעלויות, ובכך לתמוך בתכנון טכנולוגי ובהחלטות השקעה יעילות יותר.

מעבר לפעולות התשתיות, למסגרה המוצעת יש השלכות רגולטוריות חשובות. על ידי כימות ההשפעות של גורמים חיצוניים על שאריות העלות, המודל מספק בסיס אובייקטיבי לקביעת רזרבות ביטחון מותאמות לאקלים ולהערכת בקשות תקציב של חברות השירות. הפרדה בין עלויות בסיס המונחות ממכסות לבין שאריות המונחות מהפרעות תומכת גם ברגולציה יעילה יותר מבוססת ביצועים, על ידי הבחנה בין יעילות תפעולית ניתנת לשליטה לבין זעזועים חיצוניים שאינם ניתנים לשליטה. יתרה מכך, מסגרת התחזית המונחית-מכסאות מציעה שקיפות ויכולת ביקורת גבוהות יותר מאשר מודלים סטטיסטיים טהורים או מודלים של בינה מלאכותית מסוג "קופסה שחורה", ובכך מאפשרת לקשור את העלויות החזויות באופן ישיר לתנאי תפעול פיזיים ולפרמטרים הנדסיים במהלך סקירות תעריפים ודיוני רגולציה.

יש להכיר במספר מגבלות. הניתוח האמפירי מבוסס על רשת חשמל פרובינציאלית אחת במזרח סין, מה שעשוי להגביל את היכולת להכליל את הממצאים על אזורים בעלי תנאים אקלימיים, סביבות רגולטוריות או מבני רשת שונים. למרות שמאגר הנתונים בן 192 החודשים מספיק עבור מודל ה-XGBoost, הוא נותר קטן יחסית לצורך לכידה של אירועים נדירים אך בעלי השפעה גבוהה, וביצועי התחזית תלויים באיכות ובעקביות של מאגרי נתוני מכסות העלות הבסיסיים. בנוסף, מנגנון המכסות הדינמי מסתמך על מדד מחירי היצרן המצרפי וגורמי קידמה טכנולוגית, שעשויים שלא לשקף באופן מלא שינויים בעלויות אזוריות או שינויים ספציפיים לרכיבים. למרות שניתוח SHAP משפר את יכולת הפרשנות של המודל, תרומות המאפיינים המדווחות מייצגות קשרים ניבויים ולא יחסי סיבתיות, ולכן יש לפרשן בזהירות הולמת.

מחקרים עתידיים צריכים להתמקד בשילוב של רשומות תחזוקה בלתי מובניות באמצעות מודלי שפה גדולים ספציפיים לתחום, שילוב רשתות נוירונים גרפיות מרחביות-זמניות ללכידת התפשטות הפרעות ברשתות מקושרות, הרחבת האימות למספר אזורים לשיפור ההכללה, והכנסת כימות אי-ודאות לתמיכה בקבלת החלטות רגולטוריות מודעות לסיכונים. פיתוחים אלו עולים בקנה אחד עם התקדמויות אחרונות בחיזוי אנרגיה לטווח בינוני וארוך ובשילוב אנרגיה מתחדשת, המדגישות את החשיבות של שילוב בינה מונחית-נתונים עם מסגרות מידול מבוססות-פיזיקה להפעלה אמינה של מערכות חשמל43,44.

גילויים

כל המחברים מצהירים כי אין ניגודי עניינים.

תרומת המחברים:
Xiaohui Wang הגה ותכנן את המחקר, פיתח את המתודולוגיה, ביצע את הניתוח הפורמלי וכשב את טיוטת כתב היד המקורית. Tong Li תרם לאוצרות הנתונים, להטמעת התוכנה ולאימות. Yanchao Lu תרם לפיתוח המתודולוגיה, לחקירה ולפירוש הנתונים. Quanfeng Lv סיפק משאבים, פיקח על רכישת הנתונים וביקר באופן ביקורתי את כתב היד. Fan Liu פיקח על הפרויקט, תרם להמשגה ולפירוש התוצאות, דאג למימון ועסק בביקורת נרחבת של כתב היד. כל המחברים סקרו ואישרו את הגרסה הסופית של כתב היד

תודות

עבודה זו נתמכה על ידי פרויקט הטכנולוגיה של State Grid Corporation of China, תחת השם "Research on Production and Operation Cost Allocation Analysis and Asynchronous Optimization Technology" (מספר פרויקט: 520600250029-183-ZN).

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סט נתוני חשבונאות חודשיים אנונימיים של E-Gridרשת חשמל פרובינציאלית במזרח סיןN/Aסט נתוני עלויות ייצור ותפעול חודשיים אנונימיים (2010–2025) הכולל 192 תצפיות, ביניהן נתונים על נכסים פיזיים, תפעול ותחזוקה, נתונים מקרו-כלכליים וסביבתיים. שימש לפיתוח המודל (156 תצפיות) ולבדיקת מודל מחוץ למדגם (36 תצפיות).
ספריית שרטוט Matplotlibצוות הפיתוח של Matplotlib3.5.2שימשה להפקת איורי כתב היד ופלט גרפי, כולל תרשימי ביצועי מודל, ויזואליזציות של טופולוגיה, אבחוני שאריות, תרשימי רדאר וסיכומים ויזואליים הקשורים ל-SHAP.
ספריית חישוב מספרי NumPyמפתחי NumPy1.22.3שימשה לפעולות במערכי מספרים, חישובי מטריצות ובקרת הדירות (reproducibility). גרעין אקראי קבוע של 42 הוחל במקומות הרלוונטיים.
ספריית מניפולציית נתונים Pandasצוות הפיתוח של pandas1.4.2שימשה לייבוא נתונים, אינטגרציה, ארגון מחדש, סינון ועיבוד מקדים, כולל השלמת ערכים חסרים (imputation), סנכרון סדרות עתיות והכנת משתני קלט למודל.
סביבת תכנות PythonPython Software Foundation3.9.13סביבת תכנות ששימשה ליישום תהליך החיזוי המלא, כולל עיבוד מקדים של נתונים, הנדסת מאפיינים (feature engineering), אימון מודל, אופטימיזציה של היפר-פרמטרים, חיזוי, בדיקות סטטיסטיות והערכת ביצועים.
ספריית למידת מכונה Scikit-learnתורמי scikit-learn1.0.2שימשה לעיבוד מקדים של נתונים, חלוקה למערכי אימון ותיקוף, הערכת מודלים עזר ופרוצדורות סטטיסטיות, כולל ניתוח מתאם פירסון וחישוב מדדי ביצוע נבחרים.
ספריית חישוב מדעי SciPyתורמי SciPy1.9.0שימשה לחישובים סטטיסטיים, כולל ניתוח מתאם פירסון ופרוצדורות תומכות לטיפול בחריגים (outliers) וביצוע winsorization.
מימוש של Tree-structured Parzen Estimatorתורמי Optuna3.1.0מימוש של אופטימיזציה בייזיאנית ששימש לכוונון היפר-פרמטרים של XGBoost, כולל עומק עץ מקסימלי, קצב למידה ופרמטרי רגולריזציה. ה-Tree-structured Parzen Estimator יושם באמצעות חבילת הקוד הפתוח Optuna.
ספריית התוכנה XGBoostDMLC / תורמי XGBoost1.7.1ספריית למידה מאכללת (ensemble learning) מבוססת עצי החלטה ששימשה לפיצוי לא-ליניארי של שאריות. המודל יישם פונקציית מטרה מרוגולרת עם הפסד Huber וקנסות על מורכבות העץ, כמתואר במשוואות 7–9.

מקורות

  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.

הדפסות חוזרות והרשאות

תגיות

חיזוי עלויותנתוני רשת חשמלחיזוי מבוסס מכסותמודל XGBoostפרשנות SHAPרפורמה בשוק החשמלתעריפי הולכהאימות עלויות רגולטוריחיזוי מבוסס למידת מכונה
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.