التنبؤ باستهلاك الطاقة في جلسات شحن المركبات الكهربائية باستخدام تعلم الآلة

مشروع ذكاء اصطناعي يهدف إلى التنبؤ بكمية الطاقة المستهلكة (kWh) في جلسات شحن المركبات الكهربائية منذ لحظة بدء الشحن، بالاعتماد على بيانات الجلسة فقط دون الحاجة إلى بيانات البطارية أو الشبكة الكهربائية في الوقت الفعلي. تم بناء خط معالجة بيانات متكامل شمل تنظيف البيانات، معالجة القيم المفقودة، استخراج الخصائص الزمنية، هندسة الميزات (Feature Engineering)، إزالة القيم الشاذة، وتقييم عدة نماذج تعلم آلة للمقارنة بينها واختيار النموذج الأمثل. تم اختبار ومقارنة عدة خوارزميات تشمل Linear Regression وDecision Tree وRandom Forest وXGBoost وLightGBM، حيث حقق نموذج Random Forest أفضل أداء بدقة تنبؤ مرتفعة بلغت R² = 0.851 وRMSE = 3.096 kWh. كما تم إجراء تحليل شامل لأهمية المتغيرات (Feature Importance)، ودراسة تأثير الخصائص المستخرجة على أداء النموذج، بالإضافة إلى تنفيذ دراسات Ablation Analysis وتحليل الأخطاء لفهم سلوك النموذج وتحسين قدرته على التعميم. التقنيات والأدوات المستخدمة: Python • Machine Learning • Random Forest • XGBoost • LightGBM • Decision Tree • Linear Regression • Scikit-learn • Pandas • NumPy • Matplotlib • Seaborn • Feature Engineering • Data Preprocessing • Missing Value Imputation • Outlier Detection • Model Evaluation • Cross Validation • Regression Analysis • Data Visualization مخرجات المشروع: • نموذج تنبؤ متكامل لاستهلاك الطاقة. • تحليل شامل للبيانات والخصائص المؤثرة. • مقارنة بين عدة نماذج تعلم آلة. • تقارير ورسوم بيانية توضح الأداء والنتائج. • نظام قابل للتطوير لدعم إدارة الأحمال الكهربائية والشبكات الذكية.