إطار هجين TimeGAN–xLSTM–Transformer لتنبؤ طاقة الطاقة الكهروضوئية تحت ظروف بيئية معقدة

لماذا تهم دقة توقعات الطاقة الشمسية

مع اتّساع اعتماد المنازل والشركات والمدن بأكملها على الطاقة الشمسية، أصبح الحفاظ على استمرارية التيار الكهربائي تحديًا في التنبؤ. قد تكون أشعة الشمس مجانية، لكنها متقلبة: الغيوم والضباب وتقلبات الحرارة وتبدل الفصول تجعل إنتاج الطاقة الشمسية يتذبذب. يحتاج مشغلو الشبكة إلى معرفة مقدار الكهرباء التي ستنتجها محطات الطاقة الشمسية قبل ساعات حتى يتمكنوا من موازنة العرض والطلب بأمان وبأقل تكلفة. تقدم هذه الورقة إطارًا جديدًا للذكاء الاصطناعي يتعلّم من البيانات الماضية ويولّد حتى بيانات جديدة واقعية لجعل توقعات الطاقة الشمسية أكثر موثوقية تحت ظروف الطقس المعقدة في العالم الحقيقي.

نمو الطاقة الشمسية يلتقي بفوضى الطقس

يعكس التوسع السريع في المنشآت الكهروضوئية في الصين اتجاهًا عالميًا: أصبحت الطاقة الشمسية جزءًا أساسيًا من أنظمة الكهرباء الحديثة. على عكس محطات الفحم أو الغاز، لا يمكن زيادة إنتاج الكهروضوئية ببساطة عند الطلب؛ فهو يعتمد على الغلاف الجوي. قد تتكاثر الغيوم، أو يستمر الضباب، أو ترتفع الحرارة وتخف كثافة الهواء، وكل ذلك يدفع طاقة الألواح إلى الارتفاع أو الانخفاض. للحفاظ على استقرار الشبكة يعتمد المشغلون على ثلاثة أنواع رئيسية من التنبؤات: توقعات بقيمة مفردة، ونطاقات من القيم المتوقعة، وسيناريوهات قائمة على الاحتمالات الكاملة. غالبًا ما تتطلب الأدوات التقليدية مجموعات بيانات تاريخية ضخمة ومع ذلك تكافح مع الأحداث النادرة ولكن الحاسمة، مثل الانخفاضات أو الارتفاعات المفاجئة في إنتاج الطاقة الشمسية. كما تواجه صعوبة في التقاط العلاقات المترابطة بين ضوء الشمس ودرجة الحرارة والرطوبة وتوليد الطاقة عبر الزمن.

تعليم الذكاء الاصطناعي على اختراع أيام شمسية واقعية

الفكرة الأساسية الأولى في هذا العمل هي «توسيع» مجموعة البيانات بدلًا من القبول بحدودها. يستخدم المؤلفون نموذجًا يسمى TimeGAN، مصممًا خصيصًا لبيانات السلاسل الزمنية، لتوليد سجلات طاقة شمسية صناعية تشبه السجلات الحقيقية في السلوك والشكل. يتعلّم TimeGAN كيف يتغير إنتاج الكهروضوئية خطوة بخطوة بالتوازي مع عوامل الطقس مثل ضوء الشمس ودرجة الحرارة. بعد التدريب، يمكنه إنتاج تسلسلات جديدة تشترك في نفس الأنماط، بما في ذلك التقلبات الشديدة والنادرة في البيانات الأصلية. تُظهر الاختبارات باستخدام أدوات التصوير أن البيانات الصناعية تتطابق عن كثب مع القياسات الحقيقية، سواء على مستوى التفاصيل المحلية أو التوزيع العام. عندما يتم تدريب نموذج تنبؤ بسيط على مجموعة البيانات الموسعة هذه، تنخفض أخطاؤه بشكل كبير، ما يؤكد أن هذه "الأيام الشمسية المتخيلة" تساعد الذكاء الاصطناعي على التعميم بشكل أفضل على ظروف غير مرصودة.

مزج التذبذبات قصيرة المدى والاتجاهات طويلة المدى

الركيزة الثانية للإطار هي مزيج ذكي من نموذجين قويين لتعلّم التسلسلات. يتعامل شكل ممتد من الذاكرة طويلة المدى قصيرة الأجل، المُسمى xLSTM، مع البنية الدقيقة لإنتاج الطاقة الشمسية. على خلاف الإصدارات القياسية، يستخدم xLSTM هياكل ذاكرة أغنى ومقاييس زمنية متعددة، مما يتيح له تتبّع التغيرات السريعة—مثل غيمة عابرة—وكذلك التحولات الأبطأ على مدار ساعات أو أيام. فوق ذلك، يضع المؤلفون وحدة Transformer، وهي بنية مشهورة بنجاحها في نماذج اللغة. يتيح Transformer الانتباه إلى العلاقات عبر خطوات زمنية بعيدة، مجدّدًا تحديد أي اللحظات الماضية أهم عند التنبؤ بالمستقبل. معًا تشكل هذه المكونات خط أنابيب: TimeGAN يثري بيانات التدريب، وxLSTM يستخرج ميزات زمنية متعددة الطبقات، وTransformer يزنها على مستوى شامل لتوليد توقعات دقيقة.

اختبار النموذج على مزارع شمسية حقيقية

يُثبت الباحثون صحة نهجهم باستخدام ستة أشهر من بيانات عن مجموعة كهروضوئية موزعة حقيقية في شبكة الدولة الصينية، مأخوذة كل 15 دقيقة وتشتمل على مخرجات الطاقة ودرجة الحرارة والرطوبة ومستويات ضوء الشمس. يقارنون إطارهم الهجين TimeGAN–xLSTM–Transformer بنماذج LSTM وTransformer التقليدية. النتائج لافتة: يقلل النموذج الجديد خطأ الجذر التربيعي المتوسط بنحو 48 في المائة والخطأ المطلق المتوسط بنحو 44 في المائة مقارنة بأفضل النماذج التقليدية. ينخفض خطأ النسبة المئوية إلى حوالي 2.7 في المائة، وتصبح فائدة تعزيز البيانات القائمة على TimeGAN واضحة—فالنماذج المدربة دون بيانات صناعية تؤدي أداءً أسوأ بكثير، خصوصًا عند مواجهة تقلبات حادة في طاقة الشمس.

ماذا يعني هذا للاستهلاك اليومي للطاقة

بعبارة بسيطة، تُظهر الدراسة أن الجمع بين بيانات "متخيلة" واقعية وتصميم ذكاء اصطناعي متعدد الطبقات يمكن أن يجعل توقعات الطاقة الشمسية أكثر اعتمادًا، حتى عندما يسيء الطقس التصرف. في الحياة اليومية، تعني التوقعات الأفضل انقطاعات كهربائية أقل، ووقود احتياطي أقل هدرًا من الأحفوريات، وتكاملًا أكثر سلاسة للطاقة المتجددة في الشبكة. مع انتشار المنشآت الشمسية في المدن والريف على حد سواء، يمكن لأدوات مثل هذا الإطار الهجين TimeGAN–xLSTM–Transformer أن تساعد أنظمة الطاقة على التخطيط للمستقبل بثقة أكبر، مما يقربنا من مستقبل أنظف منخفض الكربون.

الاستشهاد: Chu, B., Shu, J., Zhao, C. et al. A hybrid TimeGAN–xLSTM–Transformer framework for photovoltaic power forecasting under complex environmental conditions. Sci Rep 16, 8782 (2026). https://doi.org/10.1038/s41598-026-36073-5

الكلمات المفتاحية: تنبؤ الطاقة الشمسية, الطاقة الكهروضوئية, التعلّم العميق, بيانات السلاسل الزمنية, دمج الطاقة المتجددة