نموذج متعدد المراحل لتنبؤ الطاقة الشمسية قصيرة الأمد قائم على خوارزمية هجرة الحيتان المحسّنة

لماذا يهم التنبؤ بالطاقة الشمسية

مع تحول المزيد من المنازل والشركات والمدن إلى الطاقة الشمسية، يصبح معرفة كمية الطاقة التي ستنتجها الألواح الشمسية في الدقائق أو الساعات المقبلة أمراً بالغ الأهمية. إذا كان التنبؤ خاطئاً، يضطر مشغلو الشبكة إلى التحرك بسرعة للحفاظ على إمدادات الكهرباء، ما يهدِر المال وأحياناً الوقود الأحفوري. تقدم هذه الورقة طريقة أذكى للتنبؤ قصير الأمد بإنتاج الطاقة الشمسية، تكون أدق وأكثر استقراراً من العديد من الطرق الحالية.

تقلبات الطاقة الشمسية

تتأثر الألواح الشمسية بالطقس بشكل كبير. السحب العابرة والضباب والتحولات الموسمية والعواصف المفاجئة تجعل الطاقة المولَّدة تتقلب بطرق معقدة. تعتمد أدوات التنبؤ التقليدية إما على نماذج فيزيائية مبسطة للألواح أو على البيانات التاريخية فقط. قد تفوت النماذج الفيزيائية بعض الخصائص الواقعية، بينما تكافح الأدوات الإحصائية البحتة عندما تكون البيانات ضوضائية أو غير منتظمة بشدة. ونتيجة لذلك، غالباً ما تكون أداؤها ضعيفاً أثناء التغيرات السريعة في الإشعاع الشمسي—وهي الأوقات التي يحتاج فيها المشغلون إلى تنبؤات موثوقة بالذات.

تفكيك إشارة فوضوية إلى أجزاء أنظف

للتعامل مع هذا الفوضى، يقوم المؤلفون أولاً بتنظيف بيانات الطاقة الشمسية الخام قبل محاولة التنبؤ بها. يستخدمون تقنية تسمى التحلل التوافقي الاختزالي (variational mode decomposition)، التي تقسم منحنى الطاقة الخشن الأصلي إلى عدة مكوّنات أكثر سلاسة، كل منها يلتقط أنماطاً على مقاييس زمنية مختلفة. يقلل هذا الفصل من الضوضاء العشوائية ويجعل الأنماط المخفية أسهل للرصد. بدلاً من إجبار نموذج على التعلم من منحنى واحد متشابك، تُغذَّى الطريقة بمجموعة من الكتل الأساسية الأنظف والأكثر استقراراً.

تمكين الآلات من تعلم الأنماط وتهيئة نفسها

بعد تفكيك الإشارة، يتجه البحث إلى نظام تعلّم مكوَّن من جزأين. الجزء الأول هو شبكة عصبية تلافيفية أحادية البعد، تتفوق في اكتشاف الأنماط المحلية والاتجاهات في بيانات السلاسل الزمنية. أما الجزء الثاني فهو محرك تعلّم خفيف الوزن يُدعى آلة التعلم القصوى ذات النواة (kernel extreme learning machine)، الذي يحول بسرعة تلك الأنماط المستخرجة إلى تنبؤات رقمية. يجمع هذا النموذج الهجين بين قدرة قوية على التعرف على الأنماط وتنبؤ سريع وفعّال. ومع ذلك، يعتمد أداؤه بشكل كبير على بعض الإعدادات الداخلية الأساسية، المعروفة باسم معلمات الضبط (hyperparameters)، والتي يصعب عادة ضبطها يدوياً.

استعارة أفكار من هجرات الحيتان لتحسين النموذج

لاختيار هذه الإعدادات الحاسمة تلقائياً، يقدم المؤلفون "خوارزمية هجرة الحيتان المحسّنة". مستوحاة من كيفية تحرك حيتان الأحدب في مجموعات واستكشافها للمحيط، تعامل هذه الخوارزمية كل مجموعة محتملة من معلمات الضبط كحوت يبحث عن مناطق تغذية أفضل. تستخدم مزيجاً من الاستكشاف الواسع والبحث المحلي الدقيق، مدعوماً بعشوائية مضبوطة وحركات قفزية، لتجنب الوقوع في حلول دونية. على مدى تكرارات عديدة، تهاجر "الحيتان" نحو تراكيب معلمات ضبط تقلل من أخطاء التنبؤ، ما يعلم نموذج التنبؤ كيفية ضبط نفسه بفعالية.

وضع الطريقة في الاختبار

يقيم الفريق منهجهم الكامل—الذي يجمع بين تفكيك الإشارة والنموذج الهجين ومحسّن الهجرة المستوحى من الحيتان—باستخدام بيانات حقيقية من منشأتين للطاقة الشمسية في الصين، واحدة 50 ميغاواط وأخرى 35 ميغاواط، تغطي فترتي الشتاء والصيف. يقارنونه بتسع بدائل، بما في ذلك الشبكات العصبية القياسية وآلات الدعم الناقل والمتنبئات ذات الخطوة الواحدة والهجائن الأبسط. لا يتتبع النموذج الجديد فقط المنحنيات اليومية العامة بل يتبع أيضاً القفزات والانخفاضات الحادة بدرجة أعلى بكثير. عبر عدة مقاييس خطأ، ينتج أخطاء أصغر وتطابقاً أوثق مع المخرجات الفعلية باستمرار، مع قيم ملاءمة تقارب 97% و92% للموقعيْن.

ما يعنيه هذا لاستخدام الطاقة اليومي

لغير المتخصصين، الاستنتاج الرئيسي هو أن المؤلفين يقدمون "تقرير طقس" أكثر موثوقية للطاقة الشمسية نفسها. من خلال تنظيف البيانات، واستخدام إعداد تعلّم نحيف لكنه قوي، والسماح لروتين بحث مستوحى من الطبيعة بضبط النظام بدقة، يحسنون بشكل كبير التنبؤ قصير الأمد بكمية الكهرباء التي ستوفرها الألواح الشمسية. تسهّل التنبؤات الأفضل موازنة المصادر المتجددة والتقليدية، وخفض تكاليف التشغيل، ودعم شبكة كهرباء أنظف وأكثر مرونة. ويمكن تكييف الاستراتيجية نفسها لمشكلات تنبؤ معقدة أخرى، من طاقة الرياح إلى أحمال صناعية وحتى تحليل الإشارات الطبية.

الاستشهاد: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

الكلمات المفتاحية: تنبؤ طاقة شمسية, الطاقة الكهروضوئية, تعلم الآلة, خوارزميات التحسين, شبكة الطاقة المتجددة