با همکارانم – هرمان کریمر و نیما رفیع‌زاده – اولین مقاله مروری (Review Paper) نوشته شده در مورد «کاربردهای یادگیری ماشینی در اقتصاد انرژی» را تهیه کردیم.

ما در این مقاله نزدیک ۱۵۰ مقاله منتشر شده در ژورنال‌های مرتبط با اقتصاد انرژی، اقتصادسنجی، تحقیق در عملیات و فاینانس را که به موضوع اقتصاد انرژی مربوط بودند به صورت انتقادی مرور کردیم. با این که چندین مقاله مروری خوب روی کاربردهای یادگیری ماشینی در حوزه «مهندسی انرژی» – در مواردی مثل پیش‌بینی تابش خورشیدی، بهینه‌سازی تولید، بار شبکه و امثال آن – وجود دارد ولی تقریبا هیچ مقاله‌ای در مورد کاربردهای یادگیری ماشینی در حوزه اقتصاد و مالیه انرژی وجود ندارد و ما تصمیم گرفتیم قدم اول را در این زمینه برداریم.

نتیجه مرور ما نشان می‌دهد که:

۱) از بین روش‌های مختلف یادگیری ماشینی، SVM و شبکه‌های عصبی خیلی محبوب هستند و بیش‌تر مقالات یکی از دو روش یا ترکیبی از آن‌ها با روش‌های سنتی را استفاده می‌کنند. ضمنا الگوریتم ژنتیک و PSO هم جزو روش‌های محبوب محاسبات نرم در این حوزه هستند.

۲) درصد بزرگی از مقالات روی سه مساله پیش‌بینی تقاضای برق، قیمت نفت خام و قیمت برق متمرکز هستند.

۳) اکثریت مطلق مقالات، از داده‌های ساختاریافته (مثل سری زمانی قیمت) استفاده می‌کنند که قابل پردازش با روش‌های کلاسیک آمار و اقتصادسنجی هم هستند.

۴) ضمنا متوجه شدیم که ایرانی‌ها بسیار در این حوزه فعال هستند و اسامی ایرانی خیلی زیادی مشاهده کردیم 🙂

۵) از مواردی که خیلی مشاهده نشد و جای کار دارد می‌توانیم به این‌ها اشاره کنیم:

– یادگیری عمیق (DL): با وجود کاربرد آن در «مهندسی انرژی»، در حوزه «اقتصاد انرژی» بسیار کم استفاده شده است.

– داده‌های غیرساختاریافته یا ترکیب کمی/کیفی مثل تحلیل متنی، تحلیل شبکه‌های اجتماعی، استفاده از داده‌های تصویری، نقشه و امثال آن در این حوزه خیلی استفاده نشده و جای کار زیادی دارد. روش‌های یادگیری ماشینی اتفاقا در این نوع داده‌ها مزیت خود را نشان می‌دهند.

– مقالات خیلی کمی روی مدیریت ریسک و تخمین تلاطم (Volatility) وجود دارد.

– تقریبا مقاله‌ای که «بهینه‌سازی مبتنی بر یادگیری ماشینی» را به کار برده باشد مشاهده نکردیم.

۶) مقاله را با توصیه‌هایی برای موضوعات پژوهشی آینده مثل موارد زیر به پایان بردیم:

– تاثیر یادگیری ماشینی روی پیش‌بینی خروجی و به‌بود یک‌پارچه‌سازی فناوری‌های نو
– اثر یادگیری ماشینی روی گسترش خودروهای خودران و تاثیر آن روی تقاضای انرژی
– تاثیر یادگیری ماشینی روی تغییر اقلیم از طریق افزایش تقاضای برق برای پردازش یارانه‌ای
– تاثیر یادگیری ماشینی روی بهینه‌سازی مصرف روزانه مشتریان
– ترکیب مدل‌های نظریه-محور و مدل‌های یادگیری ماشینی برای فرا رفتن از ماهیت جعبه سیاهی روش‌های ML

در مقاله هم تذکر دادیم که این روزها «کاربرد» یک روش یادگیری ماشینی بسیار آسان است و فقط نیاز به بارگذاری یک کتاب‌خانه جدید در محیطی مثل پایثون یا R دارد. در نتیجه عجیب نیست که به زودی با حجم عظیمی از مقالات که انواع مختلف این نوع تکنیک‌ها را به کار می‌گیرند مواجه شویم. قدم بعدی احتمالا باید این باشد که پس از دست‌یابی به نتایج زودرس، به کاربردهای چالش‌برانگیزتر و غیربدیهی‌تر فکر شود.

به زودی نسخه کامل مقاله را به صورت برخط منتشر می‌کنیم.