إطار تجميعي قائم على الخوارزميات الجينية لتنبؤ سرعة الرياح

لماذا يعتبر توقع الرياح مهمًا

تُعد طاقة الرياح من أسرع مصادر الطاقة النظيفة نموًا، لكن الرياح نفسها متقلبة بطبيعتها. يجب على مشغلي محطات الطاقة اتخاذ قرارات مستمرة بشأن قوة تشغيل كل توربين، وتوقيت الجداول الخاصة بالصيانة، ومقدار القدرة الاحتياطية الواجب إبقاؤها جاهزة. يعتمد اتخاذ هذه القرارات على معرفة كيفية تغيير سرعة الرياح من دقيقة إلى أخرى. يقدم هذا البحث طريقة جديدة لدمج عدة أساليب تنبؤ بحيث تصنع معًا توقعات قصيرة الأجل للرياح أكثر دقة وموثوقية.

تحويل تعدد التنبؤات البسيطة إلى دليل قوي واحد

بدل الاعتماد على طريقة تنبؤ واحدة، يبني المؤلفون «تجمعًا» يجمع مزايا مناهج مختلفة. يشمل ذلك أدوات إحصائية تقليدية جيدة في التقاط الاتجاهات السلسة، وأنواعًا متعددة من الشبكات العصبية القادرة على التعرف على أنماط معقدة، وطرق هجينة تحاول تصحيح الأخطاء المتبقية. ينظر كل نموذج إلى بيانات سرعة الرياح دقيقةً بدقيقة من خمس مدن برازيلية ويصدر توقعه الخاص. الفكرة الجوهرية هي أنه رغم أن كل نموذج له نقاط ضعف، فإن أخطاءهم ليست متطابقة؛ وإذا جُمعت بحكمة، يمكن أن تلغي أخطاء بعضهم أخطاء الآخرين وتعطي صورة أوضح لما ستفعله الرياح لاحقًا.

استلهام أفكار من التطور

التحدي الرئيس هنا هو كيفية تحديد مقدار الثقة الواجب منحها لكل طريقة تنبؤ في أي لحظة. لمعالجة هذا، يلجأ المؤلفون إلى خوارزمية جينية، وهي تقنية بحثية مستوحاة من التطور الطبيعي. في هذا النظام، كل طريقة ممكنة لوزن النماذج تشبه «كائنًا» مرشحًا يحمل حمضه الوراثي. تُقيّم الخوارزمية مدى جودة كل استراتيجية وزن في التنبؤ بسرعات الرياح الماضية، وتفضل أفضل المرشحين، وتمزج بينهم، وتُدخل تغييرات عشوائية صغيرة. عبر أجيال عديدة، «تتطور» مجموعة الحلول نحو مجموعة أوزان تجعل التنبؤ المجمع أكثر دقة ممكنة، دون الحاجة إلى افتراضات رياضية مفصلة حول كيفية تفاعل النماذج.

اختبار عبر رياح البرازيل المتنوعة

لاختبار ما إذا كانت هذه الاستراتيجية تعمل في ظروف واقعية، استخدم الفريق شهرًا من القياسات دقيقةً بدقيقة من خمس مواقع تمثل مناخ البرازيل المتنوع: هضاب داخلية، مناطق داخلية سهلية، ضفاف أنهار، وسواحل محيطية. قارنوا 14 إعدادًا للتنبؤ: نماذج إحصائية بحتة، شبكات عصبية مختلفة، هجينة، وطرق متعددة لدمجها. لكل مدينة، دربوا الأساليب على معظم البيانات، خزّنوا جزءًا لضبط المعلمات، ثم اختبروا الأداء على سجلات لم تُرَ من قبل. قاسوا الدقة باستخدام مقاييس شائعة: مدى حجم الخطأ النموذجي، مدى مطابقة التوقعات للبيانات الفعلية، وما إذا كانت الفروق الملاحظة قد تكون نتيجة للصدفة.

مكاسب رقمية صغيرة، أثر عملي كبير

قدمت مجموعة الخوارزمية الجينية أدق التوقعات عبر المدن الخمس كلها. كانت مستويات خطأها أقل بقليل لكن بشكل ثابت من كل طريقة منافسة، وفسرت جزءًا أكبر من تقلبات سرعة الرياح. أكدت الاختبارات الإحصائية أن هذه التحسينات من غير المرجح أن تكون عشوائية. بالرغم من أن المكاسب الرقمية قد تبدو متواضعة — غالبًا بترتيب نسبة واحد بالمئة — فهي مهمة لأن التوقعات تُحدَّث كل دقيقة. عبر آلاف القرارات، حتى التخفيضات الصغيرة في الخطأ تساعد متحكِّمات التوربين على تعديل زاوية الشفرات وعزم المولد بسلاسة أكبر، مما يقلل الإجهاد الميكانيكي، ويتجنب الإيقافات غير الضرورية، ويحسن كمية الطاقة القابلة للاستخدام المستخرجة من كل هبة ريح.

سريعة بما يكفي للتحكم في الزمن الحقيقي

هناك قلق آخر إزاء أنظمة التنبؤ المتقدمة وهو السرعة: هل تستطيع مواكبة العمليات الواقعية؟ يشير المؤلفون هنا إلى أنه بعد انتهاء تدريب الخوارزمية الجينية خارج الوقت الحقيقي، يستغرق استخدام الأوزان المحسّنة لدمج مخرجات النماذج جزءًا ضئيلًا من الميليسكوند. يقضي معظم وقت الحوسبة في النماذج الأساسية نفسها، وليس في خطوة الدمج. هذا يعني أن مخططهم يمكن إدخاله في أنظمة التحكم في الزمن الحقيقي دون تأخير القرارات، حتى مع اعتماده على مزيج غني من أدوات التنبؤ.

ما معنى ذلك للطاقة النظيفة

بشكل مبسط، تُظهر الدراسة أن ترك طرق تنبؤ مختلفة «تُصوّت»، وتعلم مقدار الثقة بكل منها باستخدام بحث مستوحى من التطور، يمكن أن يجعل طاقة الرياح أكثر قابلية للتنبؤ قليلًا وأكثر موثوقية بشكل ملحوظ. لمشغلي الشبكات ومالكي مزارع الرياح، يترجم ذلك إلى تخطيط أفضل، وتشغيلًا أكثر سلاسة للتوربينات، ومفاجآت أقل. ومع أن العمل ركز على خمسة مواقع برازيلية خلال شهر واحد، فإن النهج عام: يمكن تدريب نفس إطار التجميع لمناطق أخرى، أو فترات زمنية أطول، أو حتى موارد متجددة أخرى مثل ضوء الشمس وتدفق الأنهار، مساهمًا في التحوّل الأوسع لنظام طاقة أنظف وأكثر استقرارًا.

الاستشهاد: Barchi, T.M., dos Santos, J.L.F., Alves, T.A. et al. A genetic algorithm-based ensemble framework for wind speed forecasting. Sci Rep 16, 6847 (2026). https://doi.org/10.1038/s41598-026-37003-1

الكلمات المفتاحية: طاقة الرياح, تنبؤ السلاسل الزمنية, الخوارزميات الجينية, الشبكات العصبية, تنبؤ الطاقة المتجددة