دراسة جديدة: إعادة بناء بيانات المستشعرات المفقودة تخفض عدم اليقين في التنبؤ بأحمال الطاقة بأكثر من 100%

خطوة واحدة في المعالجة المسبقة للبيانات (Data Preprocessing)، تتمثل في إعادة بناء ميزات المستشعرات المفقودة قبل تدريب النموذج، كانت كافية لرفع موثوقية التنبؤ بنسبة 106% في دراسة جديدة تتناول التنبؤ بأحمال الطاقة في المباني الذكية. الورقة البحثية، التي رُفعت إلى أرشيف "arXiv" في 14 يوليو 2026، تعالج مشكلة ظلت تحد بصمت من فائدة التنبؤ بالطاقة المدعوم بالذكاء الاصطناعي: فالنماذج قادرة على توليد رقم تنبؤي، لكنها غالباً تعجز عن التعبير عن درجة ثقتها في ذلك الرقم.

الدراسة التي تمتد على 30 صفحة وتضم تسعة أشكال بيانية، تضع استراتيجيتين رئيسيتين لقياس عدم اليقين (Uncertainty Quantification) في مواجهة مباشرة. الأولى هي نهج "الكميات البعدية" (Post-hoc Residual-Quantile)، الذي يضيف تقدير عدم اليقين إلى النموذج بعد تدريبه بشكل منفصل. أما الثانية، فهي "التعلّم الكمي المدمج" (In-model Quantile Learning)، الذي يدمج تقدير عدم اليقين مباشرة داخل بنية النموذج أثناء عملية التدريب نفسها. ولاختبار هاتين الطريقتين بعدالة، طبّق الباحثون كلتيهما على ثلاث بنى مختلفة من التعلم العميق (Deep Learning): شبكة تكرارية (Recurrent Network) تقليدية، وتصميم تكراري هجين، ونموذج "محول الدمج الزمني" (Temporal Fusion Transformer - TFT) القائم على آلية الانتباه (Attention).

نطاقات أضيق دون التنازل عن الدقة

أشارت النتائج بوضوح إلى تفوق الأساليب المدمجة داخل النموذج على تلك المضافة بعد التدريب. فعند دمج التعلّم الكمي المدمج مع بنية TFT، سجّل النموذج نسبة خطأ مطلق نسبي متوسط (MAPE) تراوحت بين 2.2% و3.6%، مع جذر متوسط مربع الخطأ (RMSE) بين 28 و83 واط على نافذة الاختبار المصنّفة في الدراسة. والأهم من ذلك، أن نطاقات التنبؤ (Prediction Intervals) الناتجة عن إعداد TFT هذا كانت أضيق بنحو خمس مرات مقارنة بتلك الناتجة عن الطريقة المعيارية المضافة بعد التدريب، عند مستويات تغطية إحصائية (Statistical Coverage) متقاربة.

هذا الفرق ليس تفصيلاً تقنياً بلا قيمة عملية. فتنبؤ يقول "نحن واثقون بنسبة 90% أن الحمل سيتراوح بين 2 و8 كيلوواط" أقل فائدة تشغيلية بكثير من تنبؤ يضيّق نفس مستوى الثقة إلى نطاق 1 كيلوواط فقط. النطاقات الأضيق والأدق معايرةً تمنح مديري المرافق ومشغلي الشبكات هامش قرار أوسع، سواء لجدولة تفريغ البطاريات، أو خفض الأحمال غير الضرورية، أو تداول الطاقة على فترات زمنية أقصر، دون الحاجة إلى هامش أمان مبالغ فيه لتعويض عدم يقين النموذج.

سر نجاح إعادة بناء البيانات المفقودة

لكن النتيجة الأكثر لفتاً للانتباه قد تكون تأثير إعادة بناء الميزات (Feature Reconstruction). فشبكات مستشعرات المباني في العالم الحقيقي نادراً ما تكون مكتملة؛ العدادات تنقطع عن العمل، وخطوط الاتصال تتعطل، وتتراكم الفجوات في البيانات مع الوقت. وبدلاً من إسقاط السجلات غير المكتملة أو تعبئة الفجوات بطريقة ساذجة، طبّق الباحثون تقنية إعادة بناء لاستعادة الميزات المدخلة المفقودة قبل تمريرها إلى خط أنابيب التنبؤ (Forecasting Pipeline). هذا التغيير الوحيد ضاعف "نقاط الكمية" (Quantile Score) - وهي المقياس الذي يحدد مدى تطابق التوزيع الاحتمالي الذي يتوقعه النموذج مع النتائج الفعلية - في حين بقيت عروض النطاقات التنبؤية دون تغيير يُذكر.

بعبارة أخرى، أصبحت النماذج أكثر إدراكاً لحدود معرفتها، دون أن تضطر إلى التحوّط بنطاقات عدم يقين أوسع لتعويض جودة البيانات المدخلة الضعيفة. وبالنسبة لصناعة تعتمد بشكل متزايد على تنبؤات دقيقة مدفوعة بالمستشعرات لإدارة موارد الطاقة الموزعة، فإن هذا المزيج من الدقة العالية والمعايرة المحفوظة لمستوى الثقة، من المرجح أن يغيّر الطريقة التي تتعامل بها خطوط أنابيب التنبؤ بالأحمال مستقبلاً مع البيانات الناقصة، بحيث تُعالج من مرحلة الإدخال الأولى بدلاً من تركها كمعالجة لاحقة ثانوية.