تحليل خوارزميات العنقدة والتصنيف للتنبؤ باستهلاك الطاقة الكهربائية

الملخص

يتميز عصرنا الراهن بالانتشار الواسع النطاق للبيانات على اختلاف أنواعها حتى أضحى من المستحيل على المحللين استخلاص معلومات ذات معنى باللجوء فقط إلى المداخل التقليدية للتحليل التمهيدي للبيانات.

مع وجود كميات كبيرة من البيانات المخزنة ازدادت الحاجة إلى تطوير أدوات تمتاز بالقوة والسرعة لتحليلها، واستخراج المعلومات والمعارف منها، ومن هنا ظهرت تقنيات التنقيب في البيانات (Data Mining) كتقنيات تهدف إلى استخراج المعرفة من كميات هائلة من البيانات (تعرف بدورها بالبيانات الضخمة Big Data) [1].

يتطلب التنبؤ باستهلاك الطاقة الكهربائية معرفة كميات الاستهلاك اليومية وأوقات الاستهلاك وغيرها من العوامل المؤثرة والتي تشكل كميات كبيرة من البيانات يمكن تحليلها باستخدام خوارميات تنقيب البيانات. ولا يزال التنبؤ الدقيق بالحمل الكهربائي يمثل مهمة صعبة بسبب العديد من المشاكل مثل الطابع غير الخطي للسلسلة الزمنية أو الأنماط الموسمية التي يعرضها، والتي تستغرق وقتاً كبيراً كما تؤثر على دقة الأداء في التنبؤ. يمكن تحسين العملية باستخدام خوارزمية شعاع الدعم (SVM) .[2] بدايةً، تم دراسة العوامل المناخية ونوع وموقع وفترة الاستهلاك ومجموعة أخرى من العوامل المؤثرة وذلك لتحسين أداء عملية التنبؤ باستهلاك الطاقة الكهربائية.

كما تم تحليل خوارزميات العنقدة والتصنيف التالية للتنبؤ باستهلاك الطاقة الكهربائية، حيث تم اقتراح استخدام خوارزمية SVM لحل مشكلة التنبؤ بالحمل الكهربائي، والتي قدمت حلاً لمشاكل التصنيف والانحدار كما أنها ساعدت في تصنيف البيانات الفئوية وأعطت حلاً أمثلياً مستقل من النموذج بالمقارنة مع الدراسات السابقة.

تم أيضاً استخدام مجموعة من المصنفات مثل الغابات العشوائية، آلة شعاع الدعم والشبكات العصبية وغيرها للوصول إلى نتائج دقيقة تساعد على اتخاذ القرارات المناسبة في مجال التنبؤ باستهلاك الكهرباء.

وفي المرحلة الأخيرة، بناءً على قيم التنبؤ الناتجة عن هذه الدراسة تم العمل على توزيع الطاقة الكهربائية بالشكل الأنسب وبما يتوافق مع أهمية الاستخدام الأعلى بحيث يصبح لدينا القدرة على تشغيل مصادر الطاقة في أوقات محددة وبكميات مناسبة لمحاولة تقليل الهدر الناجم عن تشغيل المصادر الغير ضرورية.