التنبؤ بالطاقة الكهروضوئية استنادًا إلى استراتيجية التحليل الثانوي ونموذج هجين

لماذا تكتسب توقعات الطاقة الشمسية ذكاءً أهمية أكبر

مع اتصال المزيد من المنازل والشركات والمرافق بالطاقة الشمسية، تواجه شبكة الكهرباء تحديًا جديدًا: ضوء الشمس ليس ثابتًا. السحب العابرة، وتغير الفصول، وتقلبات الطقس تجعل إنتاج الطاقة الشمسية يتقلب من دقيقة إلى أخرى. يحتاج مشغلو الشبكة إلى توقعات سريعة ودقيقة للغاية لكمية الطاقة التي ستنتجها الألواح الشمسية في الدقائق المقبلة للحفاظ على استمرارية الإمداد وسلامة المعدات. تعرض هذه الدراسة نهجًا جديدًا لجعل تلك التوقعات قصيرة الأمد أكثر دقة، مما يساعد الشبكات على العمل بسلاسة أكبر ويُحسّن الاستفادة من الطاقة النظيفة.

رحلة الطاقة الشمسية المموجة

تحوّل محطات الطاقة الشمسية ضوء الشمس إلى كهرباء مباشرة دون أجزاء متحركة أو وقود أو مداخن؛ مما يجعلها نظيفة وموثوقة على مدى سنوات عديدة — لكنها ليست دائمًا متوقعة من لحظة لأخرى. يعتمد إنتاجها بشكل كبير على الطقس المحلي: السحب والضباب ودرجة الحرارة والرطوبة والرياح كلها قد تدفع الإنتاج إلى الارتفاع أو الانخفاض. بالنسبة لمشغلي الشبكة الذين يجب عليهم موازنة العرض والطلب باستمرار، تزيد هذه التقلبات من تعقيد وجدوى جدولة محطات الاحتياط والبطاريات والاحتياطيات. تعتمد طرق التنبؤ الحالية إما على نماذج فيزيائية للطقس والألواح الشمسية أو على صيغ إحصائية وتعلم آلي. تعمل هذه الطرق بشكل جيد نسبيًا على مدى ساعات أو أيام، لكنها غالبًا ما تكافح لالتقاط التقلبات السريعة والحادة التي تهم التحكم دقيقة بدقيقة.

تفكيك إشارة معقدة إلى أجزاء أنظف

يتعامل الباحثون مع هذه المشكلة عن طريق إعادة تشكيل بيانات الطاقة الشمسية الخام قبل أي تعلم. بدلاً من إدخال منحنى طاقة واحد ومرهق في نموذج ضخم واحد، يقسمون الإشارة إلى عدة مكوّنات أبسط، كل منها يلتقط نوعًا مختلفًا من السلوك. تقنية متقدمة تسمى CEEMDAN تفصل سلسلة القدرة الأصلية إلى مكونات متعددة ذات إيقاعات مختلفة. تُجمّع هذه الأجزاء بعد ذلك إلى عائلتين: تقلبات سريعة ومتقطعة واتجاهات أبطأ وأكثر سلاسة. تمرّ الأجزاء الأكثر اضطرابًا بجولة ثانية من التكرير باستخدام طريقة أخرى (VMD)، حيث لم تعد إعدادات هذه الطريقة تُختار بالتخمين بل تُضبط تلقائيًا بواسطة مخطط تحسين مستوحى من سلوك صيد نوع من الطيور. يحوّل هذا الإجراء المكوَّن من خطوتين عملية «التحليل» منحنىً متشابكًا يصعب التنبؤ به إلى إشارات فرعية أنظف وأسهل في المعالجة.

مساران تعلّميان متخصصان

بمجرد فصل إشارة الطاقة الشمسية إلى مكوّنات سريعة وبطيئة التردد، يوجه النموذج كل مجموعة إلى أداة تعلم مختلفة تناسب طبيعتها. تُعطى القطع عالية التردد، التي تتغير بسرعة وقد تنحرف مع الزمن، إلى خوارزمية خفيفة يمكن تحديثها عبر الإنترنت عند وصول بيانات جديدة. يساعد هذا التصميم على التكيف السريع مع التغيرات المفاجئة، مثل عبور سحب في صفوف فوق مزارع شمسية. أما القطع المنخفضة التردد، التي تصف الارتفاع والانخفاض الأوسع في الإنتاج خلال اليوم، فتُغذى إلى نظام هجين يجمع بين شبكة تتعرف على الأنماط وخزان ذاكرةٍ غنية. يركز جزء على رصد الأشكال في نوافذ بيانات قصيرة، بينما يتتبّع الجزء الآخر كيف تتطور هذه الأشكال عبر الزمن. أخيرًا، تُجمَع التنبؤات من كلا الفرعين لتشكّل توقعًا واحدًا للزمن التالي.

الاختبار عبر سماء متنوعة

لاختبار فاعلية هذا المخطط في العالم الحقيقي، طبقه الباحثون على بيانات من محطتي طاقة شمسية مختلفتين للغاية: إحداهما في نينغشيا، الصين، والأخرى في صحراء أستراليا. تختبر هذه المواقع مناخات ومواسم مميزة، مما يجعلها معيارًا صارمًا للمرونة. قورنت تنبؤات النموذج الجديد مع مجموعة واسعة من المنافسين المعاصرين، بما في ذلك أساليب التعلم العميق الشائعة مثل الشبكات المتكررة، الالتفافات الزمنية، والتصميمات الحديثة المستندة إلى الـTransformer. تفوّق إطار العمل الهجين القائم على التحليل والتعلّم في كل مقاييس الدقة، وخصوصًا في التقاط الارتفاعات والانخفاضات الحادة. في أحد الاختبارات الرئيسية، فسَّر النموذج حوالي 99.7% من التباين في إنتاج الطاقة الشمسية، مع خفض الأخطاء التقليدية إلى ما دون بكثير تلك الخاصة بأقوى النماذج الأساسية.

ما الذي يعنيه ذلك للشبكة

بعبارات بسيطة، تُظهر الدراسة أن معاملة الطاقة الشمسية كمزيج من ضوضاء سريعة واتجاهات أبطأ — وإعطاء كل جزء محرك توقعات مخصّص — يمكن أن يؤدي إلى توقعات دقيقة على مقياس الدقيقة أكثر موثوقية من النماذج العامة. بالنسبة لمشغلي الشبكات، تعني التنبؤات الأفضل مفاجآت أقل، ووقف طاقة احتياطية ضائعة أقل، وزيادة الثقة في الاعتماد على الطاقة الشمسية كمصدر رئيسي. مع مرور الوقت، قد يقلل هذا النوع من التنبؤ الأذكى تكاليف التشغيل، ويخفض الحد من استخدام الطاقة النظيفة، ويساعد الشبكات على استيعاب مستويات أعلى من المتجددة دون المساس بالاستقرار.

الاستشهاد: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

الكلمات المفتاحية: التنبؤ بالطاقة الشمسية, الطاقة الكهروضوئية, الشبكة الذكية, دمج الطاقة المتجددة, نمذجة السلاسل الزمنية