نموذج تحقق من مجموعات بيانات متعددة لاختيار الميزات الهجين في أنظمة تتبع نقطة القدرة القصوى لطاقة الرياح

جعل توربينات الرياح أذكى، وليس فقط أكبر

تحتوي مزارع الرياح الحديثة على العديد من الحساسات التي تراقب كل شيء من سرعة الريح وزاوية الشفرات إلى درجات الحرارة داخل الآلات. قد تصل تدفقات البيانات هذه إلى مئات القياسات المنفصلة لكل توربين، متجددة كل بضع دقائق. وعلى الرغم من أن هذا يبدو وكأنه منجم ذهب لزيادة الإنتاج، فإنه يثقل كاهل الحواسب التي يجب أن تتفاعل بسرعة مع تغيرات الريح. تُظهر هذه الدراسة كيف أن اختيار مجموعة أصغر وأكثر ذكاءً من القياسات بعناية يمكن أن يجعل التوربينات تتجاوب بصورة أسرع وأكثر دقة، وربما يستخرج نسبة إضافية من الكهرباء من نفس الريح—ما قد يعني ملايين الدولارات على مدى عمر مزرعة رياح كبيرة.

تحدّي الوفرة المعلوماتية

تستخدم التوربينات الهوائية أنظمة تحكم تعرف بتتبع نقطة القدرة القصوى لتعديل عملها باستمرار بحيث تلتقط أكبر قدر ممكن من الطاقة من الرياح المتغيرة. في مزارع الرياح الكبيرة اليوم، يمكن لكل توربين أن يبث أكثر من 400 قراءة حسّاس مختلفة، ويجب اتخاذ قرارات التحكم في حدود كل 10 دقائق أو أسرع. معالجة كل إشارة في كل وقت تبطئ النظام وتدخل ضوضاء من حساسات تضيف معلومات قليلة أو لا تضيف فائدة. والسؤال الأساسي هو: أي القياسات مهمة فعلاً للتنبؤ بمخرجات الطاقة أو سرعة الدوار، وأيها يمكن تجاهله بأمان دون الإضرار بالأداء؟ إيجاد تلك النقطة المثلى هو توازن بين الدقة والقدرة الحاسوبية المحدودة المتاحة داخل وحدات التحكم الصناعية.

طريقة من خطوتين لتقليص البيانات

يقترح المؤلفون طريقة من مرحلتين تضيق المجال أولاً ثم تضبط الاختيارات بدقة. في الخطوة الأولى، يقوم مرشح إحصائي بمسح جميع القياسات المتاحة ويقيّم مدى ارتباط كل منها بالمقدار الذي يهتم به المشغّل—سواء كانت القدرة الكهربائية في المزارع الكاملة أو سرعة الدوار في النظام المختبري. تُحتفظ فقط بالجزء الأعلى من هذه الإشارات، مما يقلص المشكلة فوراً من مئات المرشحين إلى مجموعة أكثر قابلية للإدارة. في الخطوة الثانية، يستكشف إجراء تحسين مستوحى من الارتجال الموسيقي تركيبات مختلفة داخل هذه المجموعة المصغرة. بدلاً من السعي إلى «أفضل» جواب وحيد، يبحث عن مجموعة حلول تتبادل الدقة التنبؤية مع عدد الحساسات المطلوبة، منتجاً قائمة خيارات يمكن للمشغّلين مطابقتها مع حدود أجهزتهم.

الاختبار عبر بيئات رياح مختلفة جداً

للتأكد من أن المقاربة تعمل في العالم الحقيقي وليس فقط في المحاكاة، اختبر الفريق الطريقة على ثلاث مجموعات بيانات مختلفة تماماً. الأولى غطّت خمس سنوات من التشغيل في مزرعة تحتوي على ستة توربينات في المملكة المتحدة، مع 464 قناة حسّاس تلتقط مناخاً بحرياً معتدلاً. الثانية جاءت من موقع تجاري في جنوب الهند الاستوائي، مع 87 قياساً تعكس رياح موسمية متقلبة للغاية. والثالثة كانت توربيناً مخبرياً منضبطاً به خمس إشارات فقط لكن بعينات سريعة جداً، استُخدمت لدراسة متحكم إلكتروني للطاقة بتفصيل دقيق. عبر هذه الحالات، قلّصت الطريقة عدد الميزات النشطة بحوالي ثلاثة أرباع—إلى أقل من 58 من أصل 464 إشارة في مزرعة المملكة المتحدة و8 من أصل 87 في المزرعة الهندية—مع الحفاظ على تنبؤ الطاقة أو السرعة بدقة تفوق قليلاً استخدام كل الحساسات.

كيف تبدو المكاسب عملياً

عندما استخدم الباحثون مجموعات الميزات المبسطة لتدريب نماذج تعلّم آلي تتنبأ بقدرة التوربين أو سرعة الدوار، انخفضت الأخطاء بنحو 9–15% مقارنةً بالنماذج التي استخدمت كل الحساسات المتاحة. بالمقارنة مع تقنيات اختيار أبسط شائعة في علم البيانات، كان التحسن أكبر حتى، ليصل إلى نحو انخفاض في الخطأ بنسبة 30% تقريباً. والأهم أن هذه المكاسب جاءت مع توفير كبير في الجهد الحسابي: تقليص 464 إشارة إلى 58 قلّص عبء المعالجة بنحو 88% تقريباً، مما يجعل من الممكن تشغيل نماذج تنبؤية متقدمة على الأجهزة المتواضعة الموجودة عادة في غرف تحكم مزارع الرياح. تميل مجموعات الحساسات المختارة أيضاً إلى تفضيل قياسات ذات معنى فيزيائي مثل سرعة الريح عند الخزانة، وسرعة الدوار، وعزم المولد، ومقاييس مشتقة لكفاءة الأيروديناميكا، مما يساعد المهندسين على فهم وثقة ما تفعله النماذج.

لماذا هذا مهم للطاقة النظيفة

لأن حتى تحسيناً صغيراً في التنبؤ يمكن أن يتحول إلى قرارات تحكم أفضل، يقدر المؤلفون أن زيادة بنسبة 10% في دقة التنبؤ يمكن أن ترفع إنتاج الطاقة السنوي بنسبة 2–3% لمزرعة رياح على مستوى المرافق. وعند انتشار ذلك عبر العديد من التوربينات وسنوات التشغيل، يصبح هذا فائدة مالية ومناخية كبيرة، تتحقق دون بناء أي توربين جديد—بل فقط باستخدام البيانات بحكمة أكبر. تقدّم الاستراتيجية ذات الخطوتين وصفة عملية: أولاً، تصفية سريعة لمئات القياسات المحتملة إلى تلك المرتبطة فعلياً بالأداء؛ ثم استكشاف منهجي للتركيبات لإيجاد مجموعات حساسات مدمجة تتسق مع حدود الحوسبة في الوقت الحقيقي. للمشغلين والشركات والمشرّعين، يبرز أن اختيار البيانات الأذكى هو رافعة قوية ومنخفضة التكلفة نسبياً لجعل أنظمة الطاقة المتجددة أكثر كفاءة وموثوقية.

الاستشهاد: Duraisamy, S., Thangavelu, V. A multi dataset validation model for hybrid feature selection in wind energy maximum power point tracking systems. Sci Rep 16, 9747 (2026). https://doi.org/10.1038/s41598-026-41602-3

الكلمات المفتاحية: طاقة الرياح, اختيار الميزات, تتبع نقطة القدرة القصوى, تعلّم الآلة, تنبؤ الطاقة المتجددة