التنبؤ بالإشعاع الشمسي المباشر (DNI) باستخدام التعلم الآلي وبيانات الأقمار الصناعية لمحطات الطاقة الشمسية المركّزة (CSP) مع تخزين الطاقة الحرارية (TES)

لماذا يهم التنبؤ بساعات الشمس

مع سعي المزيد من الدول للاعتماد على الشمس لتغذية المنازل والصناعات، يبرز سؤال مهم: كيف نحافظ على استمرار الإمداد عندما يتغير الطقس من لحظة لأخرى؟ محطات الطاقة الشمسية المركّزة، التي تستخدم مرايا لتركيز ضوء الشمس وتخزين الحرارة، قادرة على توفير الكهرباء حتى بعد غروب الشمس. لكن لتشغيلها بكفاءة وبتكلفة منخفضة، ينبغي للمشغّلين أن يعرفوا مسبقًا مدى شدة الإشعاع الشمسي. توضح هذه الدراسة كيف يمكن لبيانات الأقمار الصناعية الجوية المجانية والتقنيات الحديثة للتعلم الآلي أن تقدم توقعات شمسية عملية وميسورة التكلفة مصممة لهذه المحطات الشمسية من الجيل الجديد.

تحويل صور الفضاء إلى توقعات شمسية مفيدة

يركز الباحثون على كمية رئيسية تُسمى الإشعاع الشمسي المباشر الطبيعي (DNI) — الجزء من ضوء الشمس الذي يسير في خط مستقيم ويمكن تركيزه بالمرايا. بخلاف الألواح الشمسية التقليدية، تعتمد هذه المحطات بشكل شبه كلي على DNI، الذي يتأثر بشدة بالغيوم والرطوبة والجسيمات في الهواء. بدلاً من تركيب كاميرات وأجهزة باهظة على الأرض في كل موقع، يستخدم الفريق بيانات من القمر الصناعي الثابت حول الأرض Himawari-8، الذي يراقب جزءًا كبيرًا من آسيا كل عشر دقائق. من هذا التدفق من الصور والمنتجات المشتقة يجمعون 17 متغيرًا، بما في ذلك مقاييس مختلفة للضوء الشمسي، ونوع السحب، وبخار الماء، ودرجة الحرارة، وزاوية الشمس، ويغذون هذه المدخلات إلى نماذج تعلم آلي مُدربة لتوقع DNI المستقبلي من 30 دقيقة إلى 6 ساعات مقدمًا.

خوارزميات ذكية تتعلم من السماء

للعثور على أفضل أداة للتنبؤ، يختبر المؤلفون 24 نهجًا مختلفًا في التعلم الآلي ويقارنون دقتها وسرعتها وتكلفتها الحسابية. يكتشفون أن تقنية تُسمى التجميع بتغليف التباعد (Ensemble Bagging Regression) تتفوق في التنبؤات قصيرة الأجل جداً، خصوصًا عند أفق 30 دقيقة، حيث تلتقط تفاصيل دقيقة في التغيرات الأخيرة. أما في مدد التنبؤ الأطول، فيبرز نموذج انحدار العمليات الغاوسية الأسّي (exponential Gaussian process regression). هذا النموذج لا يتنبأ فقط بـDNI المستقبلي بل يوفر أيضًا مقياسًا مدمجًا لعدم اليقين، وهو أمر ذو قيمة للتخطيط. عبر مدد التنبؤ حتى ست ساعات، يحافظ أفضل نموذج على أداء قوي، مع أخطاء صغيرة بما يكفي ليعالجها الاحتواء الطبيعي لأنظمة التخزين الحراري في محطات الطاقة الشمسية المركّزة.

قراءة الإشارات الخفية للطقس

إلى جانب الدقة، يرغب الفريق في فهم ما الذي يقود تنبؤات النموذج. يستخدمون تقنية الذكاء القابل للتفسير المعروفة باسم SHAP، والتي تُنسب لكل متغير مدخلي مساهمة في التنبؤ، مثل تقاسم فاتورة العشاء بعدل. تكشف هذه التحليلات أن زاوية الشمس في السماء وخصائص السحب هي العوامل الأكثر تأثيرًا عبر العديد من مدد الوقت. تلعب نسخ ضوء الشمس في حالة السماء الصافية — أي ما سيكون الإشعاع لو لم تكن هناك غيوم — دورًا رئيسيًا أيضًا، إلى جانب درجة الحرارة والقيم البسيطة السابقة لـDNI عند تأخيرات زمنية قصيرة. يميل الهواء الرطب والأوزون والرطوبة النسبية إلى تقليل ضوء الشمس المتوقع، خصوصًا في أشهر الصيف الرطبة، بينما تزيد الظروف الصافية والجافة في أواخر الشتاء وبداية الربيع منه. هذه الرؤى تطمئن المشغّلين إلى أن النموذج يستجيب لإشارات فيزيائية منطقية بدلًا من شوائب مخفية في البيانات.

من السهول المسطحة إلى وديان الجبال

اختبار رئيسي هو ما إذا كان يمكن الوثوق بنموذج مدرّب في موقع واحد عند تطبيقه في مواقع أخرى. يدرب المؤلفون نظامهم في موقع في بهاغالبور، الهند، ثم يطبقونه على خمسة مواقع إضافية عبر جنوب آسيا، تتدرج من سهول منخفضة إلى سفوح الهيمالايا. في التضاريس المسطحة، مثل جهنسي وخاراجبور، تظل التوقعات موثوقة للغاية، بمستويات خطأ مستقرة وقلة انحراف منهجي في التقدير. بالمقابل، تظهر المحطات في مناظر طبيعية أكثر تعقيدًا أو وعورة، مثل ماكالو في الهيمالايا، تقلبات أكبر في الدقة والانحياز عند بعض التأخيرات الزمنية. تشير هذه الأنماط إلى أن الطبوغرافيا المحلية والسلوك الجوي الفريد — مثل التكوّن السريع للغيوم حول الجبال — يمكن أن تشكل تحديًا لنموذج يعتمد فقط على الأقمار الصناعية وقد تتطلب تخصيصًا إضافيًا.

ماذا يعني هذا لمستقبل الطاقة الشمسية

بالنسبة لمشغّلي محطات الطاقة الشمسية المركّزة المزودة بتخزين حراري، تقدم الدراسة رسالة عملية: قد لا يحتاجون لأغلى أجهزة التنبؤ فائقة الدقة لتشغيل محطاتهم بفعالية. بفضل التخفيض الطبيعي للتقلبات الذي يوفره تخزين الطاقة الحرارية، يمكن لنموذج جيد التصميم قائم على الأقمار الصناعية وبأخطاء معتدلة أن يدعم تخطيطًا واثقًا لإنتاج الطاقة خلال الساعات القادمة. بالاعتماد على بيانات أقمار صناعية مجانية وذات تغطية واسعة وتعلم آلي قابل للتفسير، يقدم هذا النهج طريقة قابلة للتوسع لتخفيض التكاليف وخفض سعر الكهرباء الشمسية في المناطق المشمسة، لا سيما في جنوب آسيا. مع مزيد من التحسينات التي تأخذ في الحسبان الجبال والهباء الجوي والأنماط الجوية المحلية، يمكن لمثل هذه أنظمة التنبؤ أن تصبح تقنية أساسية لشبكة أكثر موثوقية تعمل بالطاقة الشمسية.

الاستشهاد: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

الكلمات المفتاحية: تنبؤات شمسية, الطاقة الشمسية المركّزة, بيانات الأقمار الصناعية, التعلم الآلي, تخزين الطاقة الحرارية