מודל חיזוי מהירות הרוח מרב-קנייני המבוסס על אלגוריתם בריחה משופר לאופטימיזציה של פירוק מודלי אמפירי עם סינון משתנה בזמן

למה חיזוי הרוח חשוב

ככל שיותר מהחשמל שלנו מגיע מתחנות רוח, שמירת האורות דולקים תלויה ביכולת לחזות עד כמה הרוח תנשב בדקות ובשעות הקרובות. כאשר תחזיות אינן מדויקות, מפעילי הרשת נאלצים לפעול במהירות לאיזון היצע וביקוש, לבזבז אנרגיה נקייה או לסכן כשלים חשמליים. מאמר זה מציג שיטה חדשה לחיזוי מהירות הרוח בצורה מדויקת יותר, במיוחד לטווחים הקצרים הקריטיים לבקרה בזמן אמת של הרשת.

לפענח אותות רוח מבולגנים

מהירות הרוח הנמדדת בטורבינה היא ערבוב של רוחות פתע מהירות, תנודות איטיות יותר ומגמות עדינות לטווח הארוך. שיטות חיזוי מסורתיות נוטות לטפל בתערובת זו כזרם יחיד, מה שמקשה על מודלים ממוחשבים לזהות דפוסים ברורים. המחברים מתחילים בשליפת נתוני הרוח הגולמיים למספר שכבות, כאשר כל שכבה מייצגת סקלת זמן שונה של תנועה. זה נעשה באמצעות טכניקה הנקראת פירוק מודלי אמפירי עם סינון משתנה בזמן, הפועלת כמו מסננת חכמה: היא מפרידה בין רעש בתדר גבוה, תנודות בתדר בינוני ומגמות בתדר נמוך כך שכל אחד מהם יכול להיחקר ולהיחזֶה בנפרד.

ללמד אלגוריתם להימנע מהשערות רעות

עם זאת, המסננת החכמה הזו עובדת היטב רק כאשר הגדרותיה מדויקות. בחירה של ההגדרות הללו ידנית או בעזרת שיטות חיפוש סטנדרטיות עלולה להיות איטית ולא אמינה, במיוחד עבור נתוני רוח מורכבים ומשתנים מאוד. כדי לפתור זאת, המחברים מפתחים "אלגוריתם בריחה משופר", בהשראת האופן שבו קהל מחפש יציאות במבנה לא מוכר. האלגוריתם מתחיל ממספר רב של הגדרות אפשריות, מערבב אותן במידה מבוקרת של אקראיות, ואז מדרבן בהדרגה את האפשרויות החלשות לכיוון טובות יותר. באמצעות אתחול כאוטי, מאגר מתפתח של מועמדים מובחרים, שלבי מוטציה ממוקדים ומנגנון שמושך את האוכלוסייה לעבר הפתרונות הטובים ביותר, האלגוריתם המשופר מתכנס מהר יותר ובאופן אמין יותר ממספר מתחרים נפוצים.

כלים שונים לתנועות שונות

לאחר שהאות הרוח מפורק לחלקי תדר גבוה, בינוני ונמוך, הצוות מקצה לכל חלק כלי חיזוי שונה. החלק הסוער והמהיר בתדר גבוה מועבר לרשת למידה עמוקה מתקדמת המתמחה בזכירת שינויים מורכבים ומהירים בזמן. התנודות החלקות יותר בתדר בינוני מטופלות על ידי מודל מבוסס זיכרון צנוע יותר, שמאזן בין גמישות ליציבות. הרכיב האיטי, הקרוב למגמה בתדר נמוך, ניתן לרשת עצבית קלה שמשתלמת במהירות ומונעת מהתאמה יתר לרעשים. לאחר שכל חלק חוזה בנפרד, התחזיות מאוחדות חזרה יחד ליצירת חיזוי מהירות רוח אחיד על גרף הזמן.

בדיקת המודל בתנאים מציאותיים

כדי לבדוק האם הגישה הרב-שכבתית הזו עוזרת בפועל, המחברים משתמשים בנתונים מפורטים מתחנת רוח בשינג'יאנג, סין, עם מדידות כל 15 דקות בגבהים שונים. הם משווים את המערכת שלהם מול מגוון מודלים נפוצים לחיזוי, החל מרשתות עצביות פשוטות ועד שיטות למידה עמוקה מתקדמות. ברחבי תחזיות שנעות מצעד אחד קדימה ועד 15 צעדים קדימה — כיסוי של כמעט ארבע שעות — המודל החדש מפיק באופן עקבי שגיאות קטנות יותר. באופן בולט, במבט 15 צעדים קדימה הוא שומר על התאמה למציאות טוב יותר אפילו בהשוואה למודל עמוק יחיד חזק: השגיאה שלו גדלה לאט יותר, והוא נמנע מהדרדרות מהירה שמאפיינת לעתים חיזויים לטווחים ארוכים.

מה משמעות הדבר לרשתות חשמל עתידיות

במונחים פשוטים, המחקר מראה שטיפול ברוח כאות רב-שכבתי — והתאמת כל שכבה לסוג מנוע חיזוי מתאים — יכול לספק למפעילי הרשת תצפית חדה ויציבה יותר על העתיד הקרוב. אלגוריתם האופטימיזציה המשופר מבטיח ששלב פירוק האות יהיה מכוונן היטב, בעוד שהתמהיל של חזאים מומחים מונע מהשגיאות להתנפח ככל שאופק התחזית מתארך. יחד, ההתקדמויות האלה יכולות לסייע למערכות כוח לספוג יותר אנרגיית רוח מבלי לפגוע באמינות, ובכך להקל על המעבר לרשתות חשמל נקיות ועמידות יותר.

ציטוט: Zheng, H., Wu, Q., Lv, X. et al. Multi-scale wind speed prediction model based on improved escape algorithm for optimizing time-varying filtering empirical modal decomposition. Sci Rep 16, 4958 (2026). https://doi.org/10.1038/s41598-026-35505-6

מילות מפתח: אנרגיית רוח, חיזוי כוח מתחדש, פירוק סדרות זמן, מודלים של למידה עמוקה, יציבות רשת חשמל