تحسين التنبؤ بطاقة الرياح والطاقة الشمسية من خلال هندسة ميزات السلاسل الزمنية وتعززات التعلم الآلي

لماذا تهم توقعات الطاقة النظيفة الأفضل

مع تزويد توربينات الرياح والألواح الشمسية لحصة أكبر من كهربائنا، تصبح تقلباتها الطبيعية أكثر صعوبة في إدارة إضاءة الشبكة. يحتاج مشغلو الشبكات إلى معرفة ليس فقط كمية الطاقة المولَّدة الآن، بل كيف من المرجح أن يتغير هذا الإنتاج خلال الساعات القليلة القادمة. تستكشف هذه الدراسة كيف يمكن لتحليل البيانات المتقدم والتعلم الآلي تحويل سنوات من سجلات الرياح والطاقة الشمسية إلى توقعات أقصر أمداً وأكثر حدة تساعد على موازنة العرض والطلب، وتقليل الهدر، ودعم شبكة منخفضة الكربون أكثر موثوقية.

من قراءات الطاقة الخام إلى إشارات أذكى

عمل الباحثون مع ما يقرب من ستة أعوام من بيانات الطاقة الساعية للرياح والشمس من أنحاء فرنسا، شملت أكثر من خمسين ألف نقطة زمنية. بدلاً من إدخال هذه الأرقام الخام مباشرةً إلى نموذج، أعادوا تشكيلها إلى إشارات أغنى. أضافوا معلومات عما كان عليه الإنتاج قبل ساعة أو يوم أو حتى أطول، وحسبوا متوسطات وتقلبات قصيرة الأمد، ورمّزوا أنماط التقويم مثل وقت اليوم ويوم الأسبوع والموسم باستخدام دوال دائرية تعكس الدورات اليومية والسنوية. كما تحققوا بعناية من المعلومات الزائدة والتسريبات المحتملة من بيانات مستقبلية، حتى تُقيَّم النماذج على مهام تنبؤ واقعية بدل الاعتماد بالخطأ على رؤية الإجابات مُسبَقاً.

تعليم الآلات اتباع إيقاع الطقس

مع هذه السلاسل الزمنية المهندَسة، اختبر الفريق مجموعة واسعة من طرق التنبؤ. قورنت النماذج الإحصائية الكلاسيكية مثل ARIMA، التي تفترض أنماطًا خطية نسبياً بسيطة، بأنظمة تعلم آلي أكثر مرونة تشمل أشجار القرار المعززة الشبكية والشبكات العصبية العميقة. برزت مجموعتان من التجميع المعتمد على الأشجار، CatBoost وLightGBM. تبني هذه الطرق العديد من أشجار القرار الصغيرة التي يلتقط كل منها جوانب مختلفة من البيانات ثم تجمعها في مُنَبِّئ قوي واحد. باستخدام مخطط تقييم صارم بالتمرير الأمامي، حيث يُبنى كل توقع جديد فقط على بيانات سابقة، ضَمِنَ المؤلفون أن أرقام الأداء ستماثل ما يمكن توقعه في عمليات الشبكة الحقيقية.

إلى أي مدى يمكن أن نرى مقدماً فعلاً

فحصت الدراسة توقعات من ساعة واحدة وحتى يوم كامل مقدمًا لطاقة الرياح والشمس بصورة منفصلة. بالنسبة للرياح، التقطت أفضل النماذج معظم التباين عند أفق الساعة الواحدة، مع تراجع الأداء تدريجياً مع زيادة زمن التوقع. حتى حوالي ست ساعات مقدماً، لا تزال التوقعات تحمل معلومات مفيدة، ولكن بحلول 12 إلى 24 ساعة أصبح التأثير المتزايد لتغيرات الطقس يجعل التنبؤات أقل يقينًا بكثير. تبين أن طاقة الشمس أصعب في التنبؤ على آفاق أطول، لأن الغيوم وعوامل سريعة الحركة الأخرى يمكن أن تتغير بسرعة بطرق لا تظهر في إنتاج الطاقة الماضي وحده. أدّت النماذج أداءً مقبولاً للساعة التالية أو نحو ذلك، خاصة في الأيام الصافية، لكن مهارتها تراجعت بشكل حاد بعد بضع ساعات.

ما الذي تنتبه إليه النماذج فعلاً

من خلال حذف مجموعات من الميزات المدخلة بشكل منهجي، استقصى المؤلفون أي قطع المعلومات كانت الأكثر أهمية. كانت مستويات الطاقة الأخيرة — القيم المتأخرة — المكوّن الفردي السائد، مؤكدة أن ما حدث للتو عادةً ما يكون أفضل دليل لما سيأتي بعده. لعبت المتوسطات المتحركة ومقاييس التقلب قصير الأمد دورًا كبيرًا أيضًا، خاصة عندما كان النظام في حالة انتقال بين الهدوء والرياح أو بين الغيوم والشمس. أصبحت ميزات التقويم والدورات، مثل ساعة اليوم المشفّرة على دائرة، أكثر أهمية على الآفاق الأطول، حيث تهم الأنماط اليومية والموسمية العامة أكثر من التقلبات دقيقةً بدقيقة. تمكنت نماذج التعلم العميق المبنية على الشبكات العصبية المتكررة من متابعة تقلبات الإنتاج المعقدة، لكن مجموعات الأشجار المصقولة كانت تضاهي أو تتفوق على دقتها بتكلفة حسابية أقل.

ماذا يعني هذا لشبكة المستقبل

للقارئ العام، الرسالة الأساسية هي أن الإعداد الدقيق للبيانات الموقوتة والاختبار المدروس للنماذج يمكن أن يحدثا فرقًا حقيقيًا في مدى قدرتنا على توقع إنتاج مزارع الرياح والطاقة الشمسية. يمكن لطرق التعلم الآلي المتقدمة ولكن العملية أن توفر توقعات موثوقة للساعات القليلة التالية، وهي نافذة الزمن الأهم لموازنة الشبكة يومًا بيوم. في الوقت نفسه، تُظهر الدراسة أن التطلع ليوم كامل مقدمًا يظل صعبًا إذا اعتمدنا فقط على الإنتاج الماضي، خصوصًا للطاقة الشمسية. لدفع حدود التنبؤ أكثر، ستحتاج الأدوات المستقبلية إلى مزج هذه التقنيات المبنية على البيانات مع معلومات طقس مفصّلة ومعرفة فيزيائية عن التوربينات والألواح، لمساعدة الشبكات على البقاء مستقرة مع تحمُّل الطاقة النظيفة لحصة أكبر من الحمل.

الاستشهاد: Elmunim, N.A., Khlifi, M.A., Aldawsari, M.A. et al. Enhancing wind and solar energy forecasting through time-series feature engineering and ensemble machine learning. Sci Rep 16, 15546 (2026). https://doi.org/10.1038/s41598-026-49373-7

الكلمات المفتاحية: تنبؤ الطاقة المتجددة, تنبؤ طاقة الرياح, تنبؤ طاقة الشمس, التعلم الآلي, ميزات السلاسل الزمنية