التنبوء باستهلاك الطاقة الكهربائية باستخدام الشبكات العصبية خطوة نحو التحول الرقمي في إدارة الطاقة
اعداد :
- م.د. فرهاد على احمد، جامعة السليمانية – كلية الادارة والاقتصاد – قسم الاحصاء والمعلوماتية
- أ.د. سوزان صابر حيدر، جامعة السليمانية – كلية الادارة والاقتصاد – قسم الاحصاء والمعلوماتية
المركز الديمقراطي العربي : –
-
مجلة المؤتمرات العلمية الدولية : العدد الخامس والعشرون أيلول – سبتمبر 2025– المجلد 7 – وهي مجلة دولية محكمة تصدر عن #المركز_الديمقراطي_العربي المانيا- برلين.
- تُعنى بنشر الأبحاث ضمن جميع التخصصات الأكاديمية ضمن مجالات التخصص العلوم التطبيقية مع التركيز على ( هندسة ,طب ) وايضا العلوم الإنسانية والعلوم الاجتماعية كما تُعنى بنشر الأبحاث من وقائع المؤتمرات العلمية في جميع التخصصات التي تنظم من قبل المراكز الجامعية والمخابر البحثية من مختلف الجامعات في الوطن العربي ضمن التخصصات الأكاديمية .
للأطلاع على البحث من خلال الرابط المرفق : –
الملخص:
في ظل التغيرات المناخية المتسارعة والزيادة المستمرة في الطلب على الطاقة الكهربائية، برزت الحاجة إلى أدوات تحليلية ذكية تمكن من التنبؤ بالاستهلاك الكهربائي بدقة وفعالية. يهدف هذا البحث إلى استكشاف مدى فعالية الشبكات العصبية الاصطناعية، وتحديدًا نماذج (Long Short-Term Memory (LSTM)) ، في التنبؤ باستهلاك الطاقة الكهربائية بالاعتماد على بيانات مناخية واستهلاك فعلية في محافظة السليمانية خلال الفترة 1-1-2023 الي 31-12-2023.
تمثل الشبكات العصبية الاصطناعية إحدى تقنيات الذكاء الاصطناعي التي تُستخدم بكفاءة في معالجة البيانات المعقدة واكتشاف الأنماط الزمنية. وقد تميز نموذج LSTM عن النماذج التقليدية بقدرته على الاحتفاظ بالمعلومات الزمنية لفترات طويلة، مما يجعله ملائمًا لتطبيقات التنبؤ الزمني كاستهلاك الكهرباء.
اعتمدت الدراسة على منهجية علمية شملت: جمع البيانات المناخية وبيانات استهلاك الكهرباء، معالجتها وتنظيفها، تحليلها، ثم تصميم نموذج LSTM باستخدام بيئات برمجية متخصصة. تم تدريب النموذج باستخدام خوارزميات حديثة وتقييم أدائه بمقاييس مثل RMSE وMAPE وR². وأظهرت النتائج دقة تنبؤية عالية، حيث بلغ متوسط نسبة الخطأ (0.006) و(0.006) و 0.96 بترتیب. توصلت الدراسة إلى أن اعتماد نماذج LSTM يُمثل خطوة محورية نحو تحقيق التحول الرقمي في إدارة الطاقة، إذ يوفر أداة متقدمة وفعّالة لدعم عملية اتخاذ القرار في مجالات توزيع الطاقة والتخطيط المستقبلي لها. كما توصي الدراسة بتوسيع نطاق البيانات ودمج نماذج هجينة مستقبلية لتحسين الدقة والمرونة في التنبؤ.
Abstract
With the rapid pace of climate change and the growing demand for electricity, there is a need for intelligent analytical tools capable of accurately predicting energy consumption. This study investigates the effectiveness of artificial neural networks, particularly Long Short-Term Memory (LSTM) models, in forecasting electricity usage based on real climate and consumption data from Sulaymaniyah Governorate during 2023.
Artificial neural networks are a branch of artificial intelligence well-suited for handling complex data and identifying temporal patterns. Unlike traditional models, the LSTM architecture excels at retaining long-term temporal dependencies, making it especially appropriate for time-series forecasting tasks such as electricity consumption.
The research followed a structured methodology that included data collection, preprocessing, analysis, and model development within specialized programming environments. The LSTM model was trained using advanced algorithms and evaluated with metrics including RMSE, MAPE, and R². Findings revealed strong predictive performance, with average error rates of 0.006 and 0.006, and an R² of 0.96. Overall, the study highlights LSTM models as a critical step toward advancing digital transformation in energy management. They provide a robust and efficient tool to support decision-making in energy distribution and strategic planning. Future work is recommended to extend the dataset and integrate hybrid models to further enhance forecasting accuracy and adaptability.
