إستخدام تقنيات التنقيب في بيانات إستهلاك الطاقة - دراسة حالة مؤسسة سونلغاز ولاية غرداية

Abstract

عالجت الد ا رسة موضوع تقنيات التنقيب في بيانات استهلاك الطاقة الكهربائية ذات التوتر المنخفض في ولاية غرداية، باستخدام الشبكات العصبية العميقة ذات ذاكرة طويلة قصيرة المدى LSTM التي تعد من أهم تقنيات التنقيب في البيانات التي تسمح بمعالجة البيانات ذات السلاسل الزمنية؛ تم إج ا رء الد ا رسة على عينة مكونة من 127508 مستهلك وتقسيمها إلى مجموعتين، ضمت الأولى 112820 مستهلك منزلي بنسبة 88.48 % والثانية تضمنت 14688 مستهلاك يحمل صفة تجارية أو اقتصادية نسبتهم 11.52 %، حيث تم استخدام بيانات استهلاك الطاقة الكهربائية من الثلاثي الأول لسنة 2021 إلى غاية الثلاثي الثالث لسنة 2023 وهذا ب الإستعانة ببرمجية Python . توصلت الد ا رسة إلى بناء نماذج للتنبؤ، حقق نموذج الاستهلاك المنزلي معامل تحديد 𝑅2 بنسبة % 72 والجذر التربيعي لمجموع مربعات الأخطاء RMSE بنسبة % 54 ، كما خلصت الد ا رسة إلى أن نموذج الاستهلاك غير المنزلي حقق معامل تحديد 𝑅2 بنسبة % 76 والجذر التربيعي لمجموع مربعات الأخطاء RMSE بنسبة % 40 ، أما نموذج ا ستهلاك الطاقة الكهربائية للتوتر المنخفض حق ق معامل تحديد 𝑅2 بنسبة % 69 و الجذر التربيعي لمجموع مربعات الأخطاء RMSE بنسبة % 63 ، حيث مكنت هذه النماذج من التنبؤ باستهلاك الطاقة الكهربائية للفترة الممتدة Q4 2023 إلى Q4 202The study addressed the topic of mining techniques for low-voltage electrical energy consumption data in the state of Ghardaïa, using Long Short-Term Memory LSTM deep neural networks, which are among the most important data mining techniques that allow processing of time series data; The study was conducted on a sample of 127508 consumers divided into two groups, the first included 112820 residential consumers 88.48%, and the second included 14688 consumers with commercial or economic status 11.52%, The study used electrical energy consumption data from the first quarter of 2021 to the third quarter of 2023 this is done using Python software. The study succeeded in building predictive models, The residential consumption model achieved a coefficient of determination R² of 72% and a Root Mean Square Error RMSE of 54%, The study also found that the non-residential consumption model achieved an R² of 76% and an RMSE of 40%, The low-voltage electrical energy consumption model achieved an R² of 69% and an RMSE of 63%, These models enabled the prediction of electrical energy consumption for the period extending from Q4 2023 to Q4 2025.