نموذج توقع سرعة الرياح متعدد المقاييس قائم على خوارزمية هروب محسّنة لتحسين التحلل التجريبي مع مرشح متغير زمنياً

لماذا يهم التنبؤ بالرياح

مع اتساع مساهمة مزارع الرياح في إنتاج الكهرباء، يعتمد إبقاء الأضواء مضاءة على معرفة مدى قوة الرياح خلال الدقائق والساعات القادمة. إذا كانت التوقعات غير دقيقة، سيضطر مشغلو الشبكة إلى التحرك بسرعة لموازنة العرض والطلب، مما يؤدي إلى إضاعة طاقة نظيفة أو تعريض الشبكة لانقطاع التيار. تعرض هذه المقالة طريقة جديدة لتوقع سرعة الرياح بدقة أكبر، خصوصاً على الأفق الزمني القصير الذي يعد حاسما للتحكم في الشبكة في الوقت الفعلي.

فك تشابك إشارات الرياح المعقدة

سرعة الرياح المقاسة عند التوربين عبارة عن خليط من هبات سريعة، وتقلبات أبطأ، واتجاهات طويلة الأمد رقيقة. غالباً ما تتعامل طرق التنبؤ التقليدية مع هذا الخلط كسلسلة واحدة، ما يصعّب على النماذج الحاسوبية اكتشاف أنماط واضحة. يبدأ المؤلفون بفصل بيانات الرياح الخام إلى عدة طبقات، يمثل كل منها مقاييس زمنية مختلفة للحركة. يتم ذلك بتقنية تُسمى التحلل التجريبي مع مرشح متغير زمنياً، التي تعمل كمنخل ذكي: تفصل الضوضاء عالية التردد، والتقلبات متوسطة التردد، والاتجاهات منخفضة التردد بحيث يمكن دراسة كل جزء وتوقعه على حدة.

تعليم خوارزمية لتتفادى التخمينات السيئة

ومع ذلك، يعمل هذا المنخل الذكي بشكل جيد فقط عندما تكون إعداداته مضبوطة بدقة. اختيار تلك الإعدادات يدوياً أو باستخدام طرق بحث جاهزة قد يكون بطيئاً وغير موثوق، لا سيما لبيانات الرياح المعقدة والمتغيرة بشدة. لحل هذه المشكلة، صمم المؤلفون «خوارزمية هروب محسّنة»، مستوحاة من طريقة تجمعات الناس في إيجاد مخارج مبنى غير مألوف. تبدأ الخوارزمية من العديد من الإعدادات المحتملة، تُحرّكها بقدر من العشوائية المراقبة، ثم تدفع خيارات أضعف تدريجياً نحو الأفضل. من خلال إضافة تهيئة فوضوية، ومجموعة متطورة من المرشحين المتميزين، وخطوات طفرات موجهة، وآلية تجذب المجموعة نحو أفضل الحلول، تتقارب الخوارزمية المحسّنة بسرعة وموثوقية أكبر مقارنة بعدة منافسين شائعين.

أدوات مختلفة لأنواع حركة مختلفة

بمجرد فصل إشارة الرياح إلى مكوناتها عالية ومتوسطة ومنخفضة التردد، يخصّص الفريق أداة توقع مختلفة لكل منها. تُسدَّد المكونات الأكثر اضطراباً وعالية التردد إلى شبكة تعلم عميق متقدمة متخصصة في تذكر التغيرات السريعة والمعقدة بمرور الزمن. تُعالج التغيرات الأملس والمتوسطة التردد بنموذج ذا ذاكرة أكثر تواضعاً يوازن بين المرونة والثبات. أمّا المكوّن البطيء الشبيه بالاتجاه فيُسند إلى شبكة عصبية خفيفة تتدرب بسرعة وتتجنب الإفراط في الملاءمة للضوضاء. بعد أن يتم توقع كل جزء بشكل مستقل، تُجمع التوقعات مرة أخرى لإنتاج توقع وحيد لسرعة الرياح مع مرور الزمن.

اختبار النموذج

للتحقق مما إذا كان هذا النهج متعدد الطبقات مفيداً عملياً، يستخدم المؤلفون بيانات مفصلة من مزرعة رياح في شينجيانغ، الصين، مع قياسات تؤخذ كل 15 دقيقة عند عدة ارتفاعات. يقارنون نظامهم بمجموعة من نماذج التنبؤ الشائعة، من شبكات عصبية بسيطة إلى طرق تعلم عميق متقدمة. عبر توقعات تمتد من خطوة واحدة إلى 15 خطوة مقدماً—تغطي ما يقرب من أربع ساعات—ينتج النموذج الجديد أخطاء أصغر باستمرار. من الجدير بالذكر أنه عند النظر إلى 15 خطوة في المستقبل، يحافظ النموذج على توافقه مع الواقع أفضل بكثير من نموذج عميق قوي واحد: ينمو خطؤه بشكل أبطأ ويتجنب التدهور السريع الذي كثيراً ما يصيب التوقعات على آفاق أطول.

ما يعنيه ذلك لشبكات الطاقة المستقبلية

بعبارة بسيطة، تُظهر الدراسة أن التعامل مع الرياح كإشارة متعددة الطبقات—ومطابقة كل طبقة مع محرك تنبؤ مناسب—يمكن أن يمنح مشغلي الشبكات رؤية أوضح وأكثر استقراراً للمستقبل القريب. تضمن خوارزمية التحسين المحسّنة أن خطوة فصل الإشارة مضبوطة بعناية، بينما يحد مزيج المتنبئين المتخصصين من تضخم الأخطاء مع تمدد أفق التنبؤ. معاً، يمكن لهذه التطورات أن تساعد أنظمة الطاقة على استيعاب مزيد من طاقة الرياح دون التضحية بالموثوقية، مما يسهل التحول نحو شبكات كهرباء أنظف وأكثر مرونة.

الاستشهاد: Zheng, H., Wu, Q., Lv, X. et al. Multi-scale wind speed prediction model based on improved escape algorithm for optimizing time-varying filtering empirical modal decomposition. Sci Rep 16, 4958 (2026). https://doi.org/10.1038/s41598-026-35505-6

الكلمات المفتاحية: طاقة الرياح, تنبؤ الطاقة المتجددة, تفكيك السلاسل الزمنية, نماذج التعلم العميق, استقرار الشبكة الكهربائية