تنبؤ قابل للتفسير لإنتاج الطاقة الكهروضوئية على المدى الفائق القصير مع نمذجة زمنية متعددة المقاييس وانتباه متغير-حسب

لماذا يهم التنبؤ بالطاقة الشمسية على مدى دقائق

مع تزايد توليد الكهرباء من الألواح الشمسية، يصبح على مشغلي الشبكة الكهربائية موازنة كمية الطاقة المنتجة مع استهلاك الناس باستمرار. قد تتسبب السحب المفاجئة والتغيرات الموسمية والظروف الجوية المتقلبة في تقلب إنتاج الطاقة الشمسية خلال دقائق، مما يهدد هذه الموازنة. تعرض هذه الورقة طريقة جديدة للتنبؤ بإنتاج مزرعة شمسية كبيرة قبل 15 دقيقة فقط، مع هدف الحفاظ على دقة التنبؤات عبر الفصول الأربعة وجعل منطق النموذج أكثر سهولة في الفهم البشري.

رصد أنماط الشمس والطقس عبر مقاييس زمنية متعددة

يتشكل إنتاج الطاقة الشمسية عبر إيقاعات تتكشف خلال دقائق وساعات وأشهر: ارتفاع وهبوط الشمس يومياً، ونوبات سحب قصيرة، والتغيرات الموسمية التدريجية. غالباً ما تركز أدوات التنبؤ التقليدية على أحد هذه المقاييس الزمنية أو تخلط بينها، ما قد يؤدي إلى أخطاء كبيرة عندما تتغير الظروف بسرعة. الجزء الأول من النظام المقترح، المسمى شبكة كولموغوروف–أرنولد متعددة المقاييس (MKAN)، يتعامل مع ذلك عن طريق تجزئة البيانات السابقة إلى قطع متداخلة بأطوال مختلفة. تمر كل قطعة عبر وحدة رياضية صغيرة ومرنة تتعلم كيف يستجيب الإنتاج للنمط الأخير على ذلك المقياس. تُعاد بعد ذلك هذه الرؤى الخاصة بكل مقياس لتُكوِّن ملخصاً غنياً لسلوك المزرعة الشمسية في الماضي القريب.

السماح لمتغيرات الطقس بـ"التحدث" مع بعضها

لا يعتمد إنتاج الطاقة الشمسية على قراءة واحدة مثل شدة الإشعاع فقط؛ بل ينشأ من تفاعلات معقدة بين عدة عوامل، بما في ذلك الضوء المباشر والمتشتت ودرجة الحرارة والرطوبة والضغط والإنتاج الأخير للمحطة نفسها. الجزء الثاني من الإطار، المسمى iTransformer، صُمم لالتقاط هذه التفاعلات من خلال معاملة كل متغير كـ"رمز" في حوار. بدلاً من المسح خطوة زمنية خطوة زمنية، ينظر iTransformer عبر المتغيرات ويستخدم آلية انتباه لتقرير أيها ينبغي أن يؤثر على أيهما بقوة أكبر للتنبؤ المعين. هذا التركيز المتغيري يسهل الكشف، مثلاً، عن الحالات التي تكون فيها الرطوبة مؤثرة بقوة على أثر الإشعاع، أو عندما يعتمد النموذج بشكل كبير على الإنتاج الأخير لأن الطقس غير مستقر.

دمج الفكرتين في محرك تنبؤ واحد

يربط المؤلفون MKAN وiTransformer على التوالي لتشكيل نموذج MKAN-iTransformer. أولاً، تحول MKAN التاريخ الخام بدقة 15 دقيقة للطقس والإنتاج إلى ميزات زمنية متعددة المقاييس تفصل الومضات السريعة عن الاتجاهات الناعمة. ثم يأخذ iTransformer هذه الميزات ويستخدم آلية الانتباه لنسج المعلومات من المتغيرات المختلفة، منتجاً تقديراً نهائياً لطاقة المحطة بعد 15 دقيقة. دُرِّب النظام واختُبر على بيانات لمدة عامين من مزرعة شمسية بقدرة 30 ميغاواط في الصين، باستخدام قراءات النهار فقط بين 6:00 صباحاً و8:00 مساءً. وُقِّسمت البيانات ترتيبياً لكل فصل لمحاكاة النشر الواقعي، وقورن النموذج مع مجموعة واسعة من البدائل، من الشبكات المتكررة الكلاسيكية إلى تصاميم تعتمد على Transformer الأحدث ومتغيراتها المحسنة بواسطة KAN.

مدى فعاليته عبر الربيع والصيف والخريف والشتاء

عبر معظم الفصول ومعظم مقاييس الخطأ، يساوي MKAN-iTransformer أو يتفوق على الطرق المنافسة. في الربيع والخريف—عندما يتغير الطقس بسرعة وتُشكَّل منحنيات الطاقة بمنحدرات غير منتظمة—يحقق أقل الأخطاء المربعة وأصغر الأخطاء المتوسطة، بينما يشرح أكثر من 94% من التباين في الطاقة. في الشتاء، وهو نظام صعب بشكل خاص بزوايا شمس منخفضة وتقلبات سريعة، يقلل النموذج بعض مقاييس الخطأ بأكثر من النصف مقارنةً بـ Transformer قياسي ويتفوق بوضوح على الشبكات المتكررة. الصيف أسهل نسبياً لمعظم النماذج، لكن MKAN-iTransformer لا يزال يوفر أقل الأخطاء المربعة، ما يعني أنه يقلل من الأخطاء الكبيرة المتقطعة بشكل أفضل. تُظهر دراسات الإزالة الدقيقة أن استخدام MKAN أو iTransformer بمفردهما لا يفسر هذه المكاسب بالكامل؛ بل إن مزيجهما—الزمن متعدد المقاييس مع الانتباه عبر المتغيرات—هو ما يوفّر الأداء الأكثر ثباتاً عبر الفصول.

فتح الصندوق الأسود لمشغلي الطاقة

بجانب الدقة الخام، يؤكد المؤلفون على القابلية للتفسير. لأن MKAN يبني توقعاته من مجموع دوال بسيطة متعلمة، يمكن تصور هذه الدوال لكشف كيف يستجيب النموذج للمدخلات عند مستويات مختلفة، مثل الإشعاع المنخفض أو العالي. تُظهر تفكيكات متعددة المقاييس لإشارة الطاقة كيف تُفصل وتُعالَج الاتجاهات اليومية، وتحولات الطقس متوسطة المدى، والقفزات السريعة الناتجة عن السحب. في المقابل، تعرض خرائط الانتباه من iTransformer كيف تتغير الأهمية بين المتغيرات حسب الموسم: يهيمن الإشعاع المباشر في الربيع والشتاء، بينما تزداد أهمية الرطوبة وبعض قياسات الإشعاع في الصيف والخريف. تساعد هذه الأدوات البصرية المهندسين على فهم سبب تصرف النموذج كما يفعل في أنظمة جوية مختلفة، مما يدعم الثقة والتشخيص عندما تخطئ التنبؤات.

ماذا يعني هذا لمستقبل تنبؤ الطاقة الشمسية

بعبارات يومية، تُظهر الدراسة أنه من الممكن بناء تنبؤ شمسي يكون «واسعاً» و«عميقاً» في آن واحد: واسع عبر إشارات الطقس المختلفة، وعميق عبر مقاييس زمنية متعددة، مع بقائه جزئياً قابلاً للقراءة للبشر. لمشغلي الشبكات، قد يترجم هذا إلى تنبؤات أكثر موثوقية قبل 15 دقيقة على مدار السنة، وتقليل المفاجآت في التوريد، واستخدام أفضل للتخزين ومحطات الاحتياط. وللباحثين، يقدم MKAN-iTransformer مخططاً لدمج وحدات قابلة للتفسير مع آليات انتباه قوية، ما يشير إلى أدوات تنبؤ لا تكتفي بالدقة بل تشرح كيف تشكّل الشمس والسحب والغلاف الجوي معاً تدفق الكهرباء المتجددة.

الاستشهاد: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

الكلمات المفتاحية: تنبؤ الطاقة الشمسية, شبكات الطاقة الكهروضوئية, نمذجة السلاسل الزمنية, التقلبات الموسمية, الذكاء الاصطناعي القابل للتفسير