نظام تنبؤ هجين لتوليد طاقة مستدامة متعدد المواسم وموثوق تحت تقلبات الأرصاد والبيئة

لماذا تهم طاقة الرياح الأكثر استقرارًا

مع اعتماد مزيد من الدول على توربينات الرياح لاستبدال الوقود الأحفوري، تظهر مشكلة خفية: الرياح متقلبة بطبيعتها. يمكن للأيام العاصفة أن تُجهد خطوط النقل، بينما تترك الهداءات المفاجئة فراغات يجب ملؤها بسرعة، غالبًا بواسطة محطات تعمل بالوقود الأحفوري. تصف هذه الورقة نظام تنبؤي جديد يهدف إلى ترويض هذا الغموض. من خلال دراسة أنماط الطقس وسلوك التوربينات عبر الأيام والمواسم، يصمم المؤلفون أداة هجينة ذكية تتنبأ بطاقة الرياح بدقة وموثوقية أكبر من الأساليب الحالية.

مراقبة الطقس بتفصيل دقيق

تبدأ الدراسة من فكرة بسيطة: لإدارة طاقة الرياح جيدًا، يجب أن تفهم ليس فقط شدة الرياح، بل كيف تتغير من دقيقة لأخرى، ومن يوم لآخر، ومن موسم لآخر. حلّل الفريق سنة من البيانات من مزرعة ريح كبيرة في مقاطعة جيانغسو بالصين، مأخوذة كل 15 دقيقة. تتضمن هذه السجلات سرعة واتجاه الريح على ارتفاعات مختلفة، ودرجة الحرارة، والضغط الجوي، والرطوبة، وكيفية تشغيل التوربينات نفسها. يجلب الربيع والخريف أنماط موسمية متغيرة، والصيف حار وعاصف، والشتاء بارد وعاصف. يدفع كل فصل إنتاج الرياح بطرق مختلفة، مما يخلق ميدان اختبار صعب لأي نظام تنبؤي.

فصل التقلبات البطيئة عن القفزات المفاجئة

صعوبة مركزية في تنبؤ الرياح هي أن الإشارة عبارة عن خلط من اتجاهات لطيفة وذروات حادة. العديد من التقنيات السابقة إما تميل إلى التنعيم المفرط وتفوت الانخفاضات المفاجئة، أو تتبع كل تذبذب وتصبح غير مستقرة. يتعامل المؤلفون مع هذا بواسطة خطوة تفكيك متقدمة تسمى ICEEMDAN. جوهريًا، تقوم بتقشير إشارة القدرة الخام إلى عدة طبقات، كل منها يمثل إيقاعًا مختلفًا: تغييرات موسمية بطيئة، دورات يومية، وانفجارات سريعة. ابتكار أساسي هو أن مقدار الضوضاء الاصطناعية المضافة أثناء هذه العملية يُضبط تلقائيًا ليتوافق مع الترددات المسيطرة في البيانات. هذا يقلل من عيب شائع يُعرف باسم «خلط الأنماط»، حيث تتسرب الإيقاعات المختلفة إلى بعضها وتطمس الصورة.

ترك قطيع رقمي يبحث عن أفضل الإعدادات

بعد فك تشابك الإشارة، لا يزال النظام بحاجة إلى نموذج يمكنه تعلم كيفية ارتباط تلك الطبقات بالإنتاج المستقبلي من الطاقة. يختار المؤلفون شبكة عصبية سريعة وخفيفة تُعرف باسم آلة التعلم المتطرفة (Extreme Learning Machine)، ثم يمنحونها ترقية مهمة: دالة تفعيل تكيفية تستطيع إعادة تشكيل نفسها لتلائم البيانات. اختيار إعدادات داخلية جيدة لهذه الشبكة يمثل مشكلة بحثية معقدة، لذا قدموا خوارزمية تحسين جديدة مستوحاة من سلوك طيور الماجباي الأزرق المنقّب مناقيرها باللون الأحمر، طيور اجتماعية تستكشف وتبحث وتتكيّف جماعيًا. في النسخة الرقمية، يتنقل سرب من الحلول المرشحة عبر فضاء خيارات المعلمات، يشارك المعلومات، يوسع البحث عند الوقوع في مأزق، ويحافظ على أفضل الأداء.

اختبار الأداء عبر المواسم

لم يكتفِ المؤلفون بعرض تصميم ذكي؛ بل اختبروه بشدة مقابل معايير عددية متطلبة وبيانات مزرعة رياح حقيقية. باستخدام مجموعة من دوال الاختبار القياسية، تفوق المحسّن المستوحى من طائر الماجباي على عدة خوارزميات معروفة في معظم الحالات، وفعل ذلك بسرعة. عندما طُبّق النظام الكامل—المركب من التفكيك والتحسين والتعلّم التكيفي—على مزرعة جيانغسو، تتبع إنتاج الطاقة الفعلي عن كثب في الشهور الأربعة الممثلة: مارس، يونيو، سبتمبر، وديسمبر. وبالمقارنة مع مجموعة من النماذج الهجينة المنافسة، بما في ذلك نهج التعلم العميق وشبكات محسنّة أخرى، قدم دقة أعلى، وأخطاء متوسطة أصغر، وسلوكًا أكثر استقرارًا أثناء التغيرات الجوية المفاجئة.

تحويل توقعات أفضل إلى شبكات أنظف

بالنسبة لغير المتخصصين، الخلاصة بسيطة: التنبؤات الأفضل تعني نظام طاقة أنظف وأكثر موثوقية. من خلال توقع كمية طاقة الرياح المتاحة بدقة أكبر على مدى الأيام القادمة، يمكن لمشغلي الشبكات جدولة محطات الاحتياط، وشحن أو تفريغ البطاريات، وتخطيط الصيانة بثقة أكبر. يعزز النظام الهجين الجديد الموصوف في هذه الورقة دقة التنبؤ بحوالي ربع مقارنةً بشبكة عصبية أساسية، مع بقائه سريعًا بما يكفي للاستخدام العملي. رغم أن الدراسة تركز على مزرعة رياح صينية واحدة، يجادل المؤلفون بأن نهجهم قابل للتوسيع إلى مناطق أخرى وحتى إلى مصادر متجددة أخرى، مقدمًا أداة واعدة لتسوية التقلبات الطبيعية للطاقة النظيفة.

الاستشهاد: Liu, H., Cai, C., Li, P. et al. Hybrid prediction system for reliable multi-seasonal sustainable energy generation under meteorological and environmental volatility. Sci Rep 16, 8637 (2026). https://doi.org/10.1038/s41598-026-40486-7

الكلمات المفتاحية: تنبؤ طاقة الرياح, الطاقة المتجددة, استقرار الشبكة, تعلم الآلة, تغير المناخ