يشكل التنبؤ باستهلاك الطاقة في المباني أساسًا ضروريًا لتحقيق كفاءة الطاقة داخل البيئة المبنية، ويسهم إسهامًا كبيرًا في مواجهة تحديات الطاقة العالمية وتعزيز استدامة الطاقة، غير أن الطرق القائمة على البيانات، رغم أهميتها المتزايدة في معالجة هذه المسألة المعقدة، تواجه عقبة جوهرية تتمثل في محدودية توافر البيانات اللازمة لتدريب النماذج، وهي عقبة قد تضعف دقة التنبؤ وتحد من فائدة النماذج في المباني التي لا تتوافر عنها سجلات تاريخية كافية
وفي هذا السياق قدمت الدراسة طريقة مبتكرة تجمع بين نقل التعلم والشبكات العصبية المتخصصة في معالجة السلاسل الزمنية، بهدف تحسين التنبؤ رغم شح البيانات، وتقديم حل عملي يمكن نقله بين المباني المتشابهة دون الحاجة إلى إعادة التدريب الكامل من الصفر في كل مرة
وتكتسب هذه المسألة أهمية متزايدة مع اتساع الاعتماد على المباني الذكية وأنظمة إدارة الطاقة، إذ أصبحت القدرة على التنبؤ الدقيق بالاستهلاك شرطًا أساسيًا لاتخاذ قرارات تشغيلية رشيدة، مثل جدولة الأحمال وتحديد أوقات الذروة وتقييم جدوى تدخلات كفاءة الطاقة، ومع ذلك يظل كثير من المباني خارج نطاق هذه الاستفادة بسبب قلة السجلات التاريخية المتاحة، وهو ما يجعل نقل المعرفة بين المباني المتشابهة مدخلًا عمليًا لسد هذه الفجوة وتوسيع نطاق التنبؤ الذكي
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة تحدي محدودية البيانات في التنبؤ باستهلاك طاقة المباني، واقترحت طريقة جديدة أطلقت عليها اسم نقل التعلم منخفض الرتبة مع شبكة التفاف زمني معززة بالانتباه، وتجمع هذه الطريقة بين آلية الانتباه وشبكة الالتفاف الزمني، بما يعزز القدرة على استخراج التبعيات العالمية والمحلية في بيانات الاستهلاك معًا، كما تعتمد على التحليل منخفض الرتبة لتقليل عدد المعلمات أثناء عملية نقل التعلم بين المباني المتشابهة، وهو ما يتيح أداء نقل أفضل في حالة البيانات المحدودة، وأجري تقييم شامل للطريقة عبر ثلاثة آفاق تنبؤية هي أسبوع واحد وأسبوعان وشهر واحد، مع مقارنتها بالنماذج المرجعية المطابقة لكل أفق وبطرق نقل التعلم الحديثة
ثانيًا: أبرز النتائج
1، خفضت الطريقة المقترحة متوسط الخطأ المطلق بنسبة 91.2 في المئة عند أفق الأسبوع الواحد مقارنة بالنموذج المرجعي المطابق للأفق، وبنسبة 30.2 في المئة عند أفق الأسبوعين، وبنسبة 26.4 في المئة عند أفق الشهر الواحد
2، ارتفع معامل التحديد عند أفق الشهر الواحد من 0.8188 إلى 0.9286، وهو تحسن يدل على قدرة تفسيرية أعلى للتباين في استهلاك الطاقة عند الأفق الأطول
3، تفوقت الطريقة المقترحة في كل أفق على طرق نقل التعلم الحديثة، مما يؤكد قدرتها القوية على التعميم وقدرتها على النقل في التنبؤ باستهلاك طاقة المباني
ثالثًا: دلالات الدراسة وتطبيقاتها
تدل النتائج على أن الجمع بين آلية الانتباه والتحليل منخفض الرتبة يقدم مسارًا واعدًا للتنبؤ بالطاقة في المباني التي تعاني شح البيانات، إذ يتيح الاستفادة من المعرفة المكتسبة في مبانٍ مشابهة بدلًا من اشتراط سجلات طويلة لكل مبنى على حدة، ويمكن أن يدعم ذلك جهود إدارة الطاقة وخفض الهدر وتحسين التخطيط التشغيلي للمباني، كما يفتح الباب أمام توسيع تطبيقات التنبؤ الذكي إلى مبانٍ لم تكن مؤهلة سابقًا بسبب قلة بياناتها
وعلى مستوى التطبيق العملي، يمكن أن تسهم هذه الطريقة في تمكين مديري المباني ومهندسي الطاقة من اتخاذ قرارات أفضل رغم محدودية البيانات، مثل تحسين جدولة التشغيل وتقليل الهدر واختيار التدخلات الأكثر جدوى، كما يمكن أن تدعم جهود المدن الذكية وبرامج كفاءة الطاقة على نطاق أوسع، إذ تتيح تعميم التنبؤ الدقيق على شرائح أكبر من المباني دون اشتراط بنى تحتية بياناتية مكلفة لكل مبنى على حدة
وخلاصة القول إن الدراسة تقدم طريقة نقل تعلم فعالة ترفع دقة التنبؤ باستهلاك طاقة المباني رغم محدودية البيانات، وتؤكد أن الابتكار في بنية النموذج وآلية النقل معًا يمكن أن يحول شح البيانات من عائق حاسم إلى تحدٍّ قابل للتجاوز
