تحليل أهمية الميزات بناءً على الارتباط لتحسين توقعات استقرار التعلم الآلي في أنظمة الفوتوفولطية الهجينة

لماذا أصبح الحفاظ على ثبات الإضاءة أصعب

مع اعتماد المزيد من المنازل والشركات على الطاقة الشمسية، أصبح الحفاظ على استقرار شبكة الكهرباء أكثر تعقيدًا. يمكن للسحب التي تمر فوق الألواح أو التغيرات المفاجئة في الطلب أن تدفع الجهود الكهربائية للارتفاع أو الانخفاض بطرق لم تُصمم لها طرق التحكم التقليدية. تستكشف هذه الورقة كيف يمكن للتعلم الآلي الحديث أن يعمل كنظام إنذار مبكر لمثل هذه الاضطرابات، متنبئًا بكلٍ من جهد الشبكة والاستقرار العام في أنظمة هجينة تمزج الطاقة الشمسية بالمصادر التقليدية.

كيف بُني التوأم الرقمي لشبكة تعمل بالطاقة الشمسية

بدلاً من الاعتماد على قياسات ميدانية صاخبة أو غير مكتملة، أنشأ المؤلفون أولًا «توءمًا رقميًا» مفصلاً لشبكة ميكروية متصلة بالشبكة في MATLAB/Simulink. يشمل هذا النظام الافتراضي الألواح الشمسية، ومحوّلًا إلكترونيًا يربطها بالشبكة، وحمولات عملاء تتغير مع الجهد والتردد. من خلال تغيير ضوء الشمس ودرجة الحرارة وطلب الحِمل وحالة تشغيل المحول بشكل منهجي، ولّدوا 500 سيناريو تشغيل واقعي. لكل سيناريو، يسجل النموذج تيار الشبكة وجهدها ودرجة استقرار مركبة تعكس مدى قدرة النظام على تجاوز الاضطرابات، ومدى تحكم الجهد والتردد، وما إذا كان المحول يقترب من حدوده.

تحويل الإشارات الخام إلى دلائل ذات مغزى

من هذه المحاكاة، اختيرت ستة إشارات رئيسية كمدخلات للتنبؤ: درجة الحرارة المحيطة، والإشعاع الشمسي، ومستوى الحِمل، وجهد حلقة التيار المستمر (DC-link)، وقدرة مخرج المحول، وتيار الشبكة. قام الفريق بتطبيع البيانات وتنقيتها وإزالة القيم الشاذة، ثم استخدموا فكرة بسيطة لكنها قوية لتسليط الضوء على ما يهم: وزن الميزات بناءً على الارتباط. لكل مدخل، قاسوا مدى تحركه مع المخرجات المستهدفة، جهد الشبكة ودرجة الاستقرار. أُعطيت الميزات التي لها روابط أقوى أوزانًا أعلى قبل تدريب النماذج. لا تختلق هذه الخطوة بيانات جديدة، لكنها توجه عملية التعلم للانتباه أكثر إلى المتغيرات المهمة من الناحية الفيزيائية مثل تيار الشبكة وجهد حلقة التيار المستمر.

اختبار خمسة نماذج تعلم آلي

بمجموعة البيانات الموزونة في اليد، قارن المؤلفون بين خمسة أساليب تعلم آلي شائعة: الغابات العشوائية (Random Forests)، الأشجار الإضافية (Extra Trees)، دعم المتجهات للانحدار (Support Vector Regression)، CatBoost، والتعزيز التدرجي (Gradient Boosting). تدربت جميع النماذج واختُبرت تحت نفس الظروف، باستخدام تقسيم بيانات 80:20 ومجموعة مشتركة من مقاييس الدقة. شملت هذه المقاييس معامل التحديد المألوف (كمية التباين المفسرة) وعددًا من مؤشرات الخطأ التي تنظر إلى الأخطاء المتوسطة وانتشارها. وتجاوزت الدراسة الأرقام الرئيسية أيضًا، بفحص كيفية توزيع الأخطاء عبر الزمن ومدى تكرار بقاء التنبؤات ضمن نطاقات تحمل ضيقة.

لماذا تميز التعزيز التدرجي

قدم التعزيز التدرجي، الذي يبني سلسلة من النماذج البسيطة يصحّح كل منها أخطاء سابقه، على نحو ثابت أدق التنبؤات وأكثرها موثوقية. بالنسبة لجهد الشبكة، طابق القيم المقاسة بدقة كبيرة، بتحقيق R² في الاختبار يقارب 0.98 وأخطاء نسبية نموذجية تبلغ نحو ربع بالمئة؛ وبقي نحو 95% من أخطاء الجهد ضمن نصف فولت. بالنسبة لدرجة الاستقرار، جاء أيضًا في المقدمة، ملتقطًا أكثر من 93% من التباين بأخطاء متوسطة أقل من وحدة واحدة. عند تطبيق أوزان الميزات المبنية على الارتباط، تحسنت دقته أكثر، خاصة في توقع الاستقرار، وأصبحت توزيعات أخطائه أضيق وأكثر انتظامًا من نماذج المنافسين. هذا يدل على أداء متوسط عالٍ وسلوك يمكن الاعتماد عليه عبر ظروف تشغيل هادئة ومتغيرة بسرعة.

ما الذي يعنيه هذا لشبكات غنية بالطاقة الشمسية مستقبلًا

للغير متخصصين، الرسالة الأساسية هي أن أدوات التعلم الآلي المصممة بعناية يمكن أن تمنح مشغلي الشبكة معاينة موثوقة لكيفية تصرف نظام غني بالطاقة الشمسية في اللحظات إلى الدقائق التالية. من خلال دمج توأم رقمي قائم على الفيزياء، وتحليل ارتباط بسيط، وطريقة مؤسسة قوية مثل التعزيز التدرجي، يمكن للإطار أن ينبّه عندما تميل جهود الشبكة للانحراف أو عندما يتراجع هامش استقرار النظام. يدعم هذا بدوره إعدادات محولات أكثر ذكاءً، واستخدامًا أفضل للطاقة المتفاعلة، وصيانة موجهة أكثر، مما يقلل الانقطاعات والحد من تقليص توليد الطاقة النظيفة بلا داع. باختصار، تُظهر الدراسة أن إضافة طبقة قابلة للتفسير من الذكاء المستند إلى البيانات فوق معدات التحكم الحالية يمكن أن تجعل الشبكات ذات المصادر المتجددة أكثر مرونة وكفاءة وأسهل في الإدارة.

الاستشهاد: Swarnkar, V., Ralhan, S., Singh, M. et al. Correlation based feature importance analysis for improving machine learning stability predictions in hybrid PV systems. Sci Rep 16, 10041 (2026). https://doi.org/10.1038/s41598-026-37270-y

الكلمات المفتاحية: أنظمة الفوتوفولطية الهجينة, تنبؤ جهد الشبكة, التعلم الآلي لشبكات الطاقة, التعزيز التدرجي, استقرار الشبكات المتجددة