تحسين التنبؤ بالطاقة الشمسية والرياح باستخدام خوارزمية التحسين iHow وشبكات الانتباه متعددة المقاييس

لماذا تهم التنبؤات الطاقية الأفضل

مع اعتماد المزيد من المنازل والمدن على الشمس والرياح لتوليد الكهرباء، تصبح المحافظة على استمرار التيار الكهربائي تحدياً في التنبؤ. تنتج الألواح الشمسية والتوربينات الهوائية طاقة نظيفة، لكن إنتاجها يتذبذب مع مرور كل سحابة وهبة ريح. تستعرض هذه الورقة طريقة جديدة للتنبؤ بتلك التذبذبات بدقة وكفاءة أكبر، مما يساعد مشغلي الشبكات على موازنة العرض والطلب، وتقليل الاعتماد على احتياطيات الوقود الأحفوري، والتخطيط لأعمال الصيانة قبل أن تتسبب الأعطال في انقطاع التيار.

المشكلة في التخمين عن شمس وغد ورياحه

تحتوي محطات الطاقة الشمسية والرياحية الحديثة على حساسات تسجل الطقس والإنتاج وظروف التشغيل ساعةً بساعة. رغم أن هذه البيانات الغنية يمكن نظرياً أن تزود بتنبؤات دقيقة للغاية، فإنها عملياً تثقل كاهل كثير من النماذج الحاسوبية. فوجود قياسات متداخلة كثيرة يجعل التعلم بطيئاً وعرضة للأخطاء، وضبط معلمات شبكات التعلم العميق المتعددة غالباً ما يكون فناً يستغرق وقتاً. تميل المناهج الحالية إلى اعتبار «أي المدخلات تُستخدم» و«كيفية تكوين النموذج» كخطوتين منفصلتين، وكثير من حيل التحسين تتوقف عند حلول دون المثالية عندما يكون فضاء البحث كبيراً ومعقداً.

عقل أذكى لتنبؤ الشمس والرياح

يبني المؤلفون إطار عملهم حول شبكة انتباه متعددة المقاييس، وهو نموذج تعلم عميق مصمَّم للنظر في بيانات الطاقة عبر آفاق زمنية متعددة في آنٍ واحد—مما يلتقط التقلبات السريعة والدورات اليومية والأنماط الموسمية الأطول بالتوازي. تساعد آليات الانتباه داخل الشبكة النموذج على التركيز على اللحظات الأكثر صلة في الماضي عند إجراء التنبؤ. بمفردها، تفوق هذه البنية بالفعل البدائل الشائعة مثل شبكات الذاكرة طويلة المدى (LSTM)، والوحدات المتكررة المبوّبة (GRU)، ونماذج السلاسل الزمنية التنافسية، والشبكات المتبقية على مجموعات بيانات الرياح والشمس من الشبكة الوطنية الفرنسية.

التعلم على نحو إنساني للتقليم والضبط

لتحسين الأداء بشكل إضافي، يستخدم الفريق خوارزمية تحسين مستوحاة من الإنسان تسمى iHOW. بدلاً من محاكاة الحيوانات أو العمليات الفيزيائية، تستعير iHOW أفكاراً من كيفية تعلم البشر: أولاً امتصاص المعلومات الخام، ثم معالجتها، وبناء المعرفة، وأخيراً تطبيق الخبرة. في شكلها الثنائي، biHOW، تعمل الخوارزمية كمحرر تلقائي لمساحة المدخلات، مختارة مجموعات مدمجة من أكثر الميزات إفادة من بين عشرات الطوابع الزمنية، وعلامات التقويم، وسجلات الإنتاج. وفي شكلها المستمر، تضبط iHOW إعدادات الشبكة العميقة الحرجة—مثل عدد الطبقات، ورؤوس الانتباه، وقوة الإسقاط (dropout)—بحيث يصبح التدريب مستقراً وفعالاً.

ما تكشفه التجارب

باستخدام عدة سنوات من إنتاج الطاقة الشمسية والريحية الفرنسي بالساعة، ينظف الباحثون البيانات ويعيدون هيكلتها بعناية، ويصممون مؤشرات مفيدة مثل المتوسطات المتحركة ونسب الشمس إلى الرياح، ثم يقارنون العديد من استراتيجيات التعلم تحت شروط متطابقة. قبل التحسين، يقدم نموذج الانتباه متعدد المقاييس أخطاء أصغر وترابطاً أقوى مع الطاقة الفعلية مقارنةً بمنافسيه. بعد أن تقص biHOW المدخلات الزائدة، تتحسن كل النماذج، لكن شبكة الانتباه تستفيد أكثر. أخيراً، عندما تُستخدم iHOW لضبط إعدادات التدريب، تنخفض أخطاء التنبؤ بدرجات عدة من الحجم، وتقترب قدرة النموذج على تفسير تباينات الطاقة من الكمال، متفوقة بوضوح على مجموعة من مخططات التحسين المعروفة مثل أسراب الجسيمات، ذئاب رمادية، صقور، حيتان وغيرها.

دلالات لشبكات ذكية مستقبلية

للراصد العادي، الرسالة الرئيسية هي أن تركيبة مصممة جيداً من محرك تنبؤ قوي ومُحسّن «يتعلم كيف يتعلم» يمكن أن تحول تيارات فوضوية من بيانات الطقس والطاقة إلى تنبؤات دقيقة بشكل ملحوظ. من خلال اتخاذ القرار تلقائياً بشأن الإشارات المهمة وكيف ينبغي تكوين النموذج، يحقق الإطار المقترح كل من دقة أعلى وتكلفة حسابية أقل. يمكن لهذا النوع من التنبؤ الذكي أن يساعد الشبكات الذكية المستقبلية على الاعتماد بثقة أكبر على الرياح والشمس، وجدولة الصيانة قبل حدوث الأعطال، ودعماً في نهاية المطاف لأنظمة التحكم في الزمن الحقيقي التي تبقي الكهرباء النظيفة متدفقة حتى مع تغير الطقس باستمرار.

الاستشهاد: Radwan, M., Ibrahim, A., Abdelsalam, M.M. et al. Optimizing solar and wind forecasting with iHow optimization algorithm and multi-scale attention networks. Sci Rep 16, 8597 (2026). https://doi.org/10.1038/s41598-026-39632-y

الكلمات المفتاحية: التنبؤ بالطاقة المتجددة, التنبؤ بالطاقة الشمسية, التنبؤ بطاقة الرياح, تحسين التعلم العميق, إدارة الشبكات الذكية