بحث حول طريقة التنبؤ قصير الأمد للطاقة الكهروضوئية استنادًا إلى HPO-VMD-BiLSTM

لماذا تهم التوقعات الشمسية الأفضل

مع تحول المزيد من المنازل والشركات والمدن إلى الألواح الشمسية لتوليد كهرباء نظيفة، تظهر تحديات جديدة: الشمس غير ثابتة. تمرّ سحب، وتتبدل الفصول، وتظهر عواصف مفاجئة، فتتغير قدرة توليد الطاقة الشمسية من دقيقة إلى أخرى. يجب على مشغّلي الشبكة موازنة العرض والطلب في الوقت الحقيقي؛ إذا عجزوا عن توقع هذه التقلبات فقد يهدرون طاقة، أو يحمِّلون الأجهزة فوق طاقتها، أو يضطرون إلى تشغيل محطات احتياطية تعمل بالوقود الأحفوري. تعرض هذه الورقة طريقة أذكى للتنبؤ بالإنتاج قصير الأمد لمزرعة شمسية، بهدف جعل الطاقة الشمسية أكثر موثوقية وأسهل دمجًا في أنظمة الطاقة اليومية.

رؤية الصورة الكاملة لتقلبات الطقس

تعتمد الطاقة الشمسية ليس فقط على ضوء الشمس، بل على مزيج من ظروف الطقس مثل غيوم السماء والرطوبة ودرجات الحرارة. تستخدم العديد من أدوات التنبؤ الحالية إشارة واحدة فقط، غالبًا إجمالي الإشعاع الشمسي، ما يفوّت تفاصيل مهمة. يبدأ المؤلفون ببناء صورة جوية غنية لكل يوم في مزرعة شمسية بأليس سبرينغز بأستراليا. لكل يوم، يحسبون إحصاءات بسيطة—مثل عدد مرات ذروة الإشعاع، ومدى تباينه، ومدى انحراف التوزيع—لعدة متغيرات طقس. ثم يجمعون الأيام إلى أنواع، مثل مشمس، غائم، أو ممطر، باستخدام شكل محسن لطريقة تجميع قياسية. وبدلاً من معاملة كل خاصية جوية على أنها ذات أهمية متساوية، تضبط طريقتهم وزن كل خاصية بحسب مدى عشوائيتها أو انتظامها مع الزمن. يؤدي هذا إلى مجموعات جوية أكثر واقعية ويضمن أن نموذج التنبؤ يتدرّب على أيام قابلة للمقارنة فعلاً.

ضبط الإشارات الشمسية الصاخبة

حتى داخل نوع طقسي واحد، تكون بيانات الطاقة الشمسية متعرجة وغير منتظمة. تسبّب رقع سحابية صغيرة أو هبات ريح قفزات حادة تجعل من الصعب على خوارزمية التنبؤ تعلم أنماط مستقرة. للتعامل مع ذلك، تطبّق الدراسة خطوة معالجة إشارات تفكك بيانات القدرة الخام إلى عدة مكوّنات أبسط. تمثل كل مكوَّن نوعًا مختلفًا من التقلبات، من الارتعاشات السريعة إلى الاتجاهات البطيئة. الابتكار الرئيسي هو أن الخوارزمية التي تقوم بهذا التجزئة لا تعتمد بعد الآن على إعدادات مضبوطة يدويًا؛ بل يختار عملية بحث مستوحاة من سلوك مفترس-فرائس أفضل طريقة لتقسيم الإشارة تلقائيًا. من خلال السماح للحاسوب بضبط هذه الإعدادات الداخلية وفق البيانات الفعلية، يقلل المؤلفون من التخمين ويحصلون على مكوّنات أنقى وأكثر استقرارًا لمرحلة التنبؤ.

تمكين النموذج من التعلم من الماضي والمستقبل

بعد تجميع البيانات حسب الطقس وتنقيتها إلى مكوّنات، يتدخل محرك التنبؤ. يستخدم المؤلفون نوعًا من الشبكات العصبية ملائمًا لسلاسل الزمن، ويقرأ البيانات في كلا الاتجاهين على طول الجدول الزمني. ببساطة، يتعلم هذا النموذج كيف تعتمد قدرة اليوم الشمسية ليس فقط على ما حدث قبل لحظة معينة، بل أيضًا على أنماط تتضح لاحقًا خلال اليوم. يتم إدخال كل مكوّن مفكك من إشارة القدرة، مع المدخلات الجوية الرئيسية المرتبطة به، إلى هذا النموذج. ومرة أخرى، يُستخدم أسلوب البحث المستوحى من مفترس-فرائس لضبط الإعدادات الداخلية للنموذج—مثل عدد العُقد وسرعة التعلم—حتى يلتقط علاقات معقدة دون الوقوع في حل ضعيف أو الإفراط في التكيّف مع الضوضاء. ثم تُعاد تجميع توقعات كل المكوّنات لتنتج تنبؤًا نهائيًا للإنتاج الشمسي الكلي.

اختبار الطريقة

اختبر الفريق نهجه باستخدام بيانات حقيقية من مصفوفة شمسية بقوة 5.8 كيلowatt في أليس سبرينغز على مدى عامين، مع أخذ عينات للطاقة وظروف الطقس كل خمس دقائق. اختاروا ثلاثة أيام ممثلة—مشمس، غائم، وممطر—ودرّبوا نموذجهم باستخدام عدة أيام لها أنماط طقس متشابهة للغاية. قورنت الطريقة الجديدة بمجموعة من الأدوات الشائعة، بما في ذلك الشبكات العصبية التقليدية، ونماذج سلاسل زمنية أبسط، وطرق هجينة أخرى استخدمت إما تجميع الطقس أو تفكيك الإشارة بمفردها. لكل طريقة، قاسوا مدى انحراف توقعاتها عن قيم الطاقة الشمسية الفعلية. عبر أنواع الطقس الثلاثة، خفّضت الطريقة الهجينة الجديدة الأخطاء المتوسطة بنحو الثلث إلى ما يقرب من النصف مقارنة بالنماذج القياسية، مع وقت تدريب أسرع أيضًا من معظم البدائل الأكثر تعقيدًا.

ما الذي يعنيه هذا لاستخدام الطاقة اليومي

بعبارات بسيطة، تظهر الدراسة أن الجمع بين تجميع طقس أذكى، وتنقية إشارات دقيقة، ونموذج تعلم مُعدّ تلقائيًا يمكن أن يجعل توقعات الطاقة الشمسية قصيرة الأمد أكثر دقة ومتانة. بالنسبة لمشغّلي الشبكات، تعني التوقعات الأفضل أنهم قادرون على التخطيط بثقة أكبر، وتشغيل محطات طاقة أخرى وإيقافها بكفاءة أكبر، وتقليل الهدر. بالنسبة للمجتمعات التي تستثمر في الطاقة الشمسية، يساعد هذا النوع من التنبؤات في جعل التكنولوجيا جزءًا أكثر اعتمادية من مزيج الطاقة. وعلى الرغم من أن المؤلفين يشيرون إلى ضرورة استكشاف أنماط طقس أكثر تنوعًا وبيانات أقل جودة في أعمال مستقبلية، فإن نتائجهم تشير إلى أدوات تنبؤ يمكنها مواكبة نمو الطاقة الشمسية من خيار واعد إلى ركيزة مركزية لإمدادات الكهرباء العالمية.

الاستشهاد: Li, J., Li, L., Du, Q. et al. Research on short-term prediction method of photovoltaic power based on HPO-VMD-BiLSTM. Sci Rep 16, 13541 (2026). https://doi.org/10.1038/s41598-026-44708-w

الكلمات المفتاحية: تنبؤ الطاقة الشمسية, دمج الطاقة الكهروضوئية في الشبكة, تنبؤ الطاقة المعتمد على الطقس, تعلم الآلة للطاقة, استقرار الطاقة المتجددة