אופטימיזציה של תחזיות שמש ורוח עם אלגוריתם iHow ורשתות תשומת לב מרובות סקלות

מדוע תחזיות אנרגיה טובות יותר חשובות

ככל שיותר בתים ועיריות שואבים את חשמלם מהשמש ומהרוח, שמירה על חשמל זמין הופכת לאתגר חיזוי. פנלים סולאריים וטורבינות רוח מייצרים חשמל נקי, אך היציאה שלהם משתנה עם כל ענן ומשב רוח. מאמר זה בוחן שיטה חדשה לחזות את התנודות הללו בדיוק ויעילות גבוהים יותר, בעזרת מה שעוזר למנהלי רשת לאזן בין היצע וביקוש, להפחית תלות במערכות גיבוי מבוססות דלקים פוסיליים ולתכנן תחזוקה לפני שהתקלות יגרמו להפסקות חשמל.

הבעיה בניסיונות לנחש את שמש ומזג־האוויר שלמחרת

מגרשי שמש ורוח מודרניים מלאים בחיישנים שמתעדים שעה‎-אחר‎-שעה את מזג האוויר, תפוקת החשמל ותנאי התפעול. אמנם נתונים עשירים אלה יכולים בתיאוריה להזין תחזיות מדויקות מאוד, בפועל הם מעמיסים על רבים מהמודלים הממוחשבים. מדידות חופפות רבות מאטות את הלמידה ומגבירות שגיאות, וכיוונון פרמטרים רבים של רשתות למידה עמוקה הוא לעתים מלאכת־מלאכה הדורשת זמן. גישות קיימות נוטות להפריד בין “אילו קלטים להשתמש” ל“כיצד לקונפג את המודל”, והרבה טריקים של אופטימיזציה נתקעים בפתרונות תת‑אופטימליים כאשר מרחב החיפוש גדול ומסובך.

מוח חכם יותר לחיזוי שמש ורוח

המחברים בנו את המסגרת שלהם סביב רשת תשומת לב מרובת‑סקלות (Multi‑Scale Attention Network) — מודל למידה עמוקה שמתוכנן לבחון נתוני תפוקה במספר אופקי זמן במקביל — תופס תנודות מהירות, מחזורים יומיים ודפוסים עונתיים ארוכי‑טווח במקביל. מנגנוני תשומת הלב בתוך הרשת עוזרים לה להתמקד ברגעים הרלוונטיים ביותר מהעבר כאשר היא מבצעת חיזוי. בעצמו, ארכיטקטורה זו כבר מעלה ביצועים על פני חלופות פופולריות כגון רשתות זיכרון לטווח ארוך וקצר (LSTM), יחידות חוזרות ממוטבות (GRU), מודלים מתחרים לסדרות זמן ורשתות שאריתיות, הן במערכי נתוני רוח והן בשמש מהרשת הלאומית הצרפתית.

ללמוד כמו אדם — לגזום ולכוונן

כדי לשפר עוד את הביצועים, הצוות משתמש באלגוריתם אופטימיזציה בהשראת תהליכי למידה אנושיים שנקרא iHOW. במקום לחקות בעלי חיים או תהליכים פיזיקליים, iHOW שואב רעיונות מאופן שבו בני אדם לומדים: קליטה ראשונית של מידע גולמי, עיבודו, בניית ידע ולבסוף יישום המומחיות. בצורתו הבינארית, biHOW, האלגוריתם מתפקד כעורך אוטומטי של מרחב הקלט — בוחר קבוצות קומפקטיות של התכונות האינפורמטיביות ביותר מתוך עשרות חותמות זמן, תגי לוח שנה ורשומות ייצור. בצורתו הרציפה, iHOW מתאם את הגדרות המפתח של הרשת העמוקה — כגון מספר השכבות, ראשים בתשומת הלב ועוצמות ה‑dropout — כך שהאימון יהיה יציב ויעיל.

ממצאים הניסויים

בהסתמך על כמה שנות נתוני יצור שעתיים של שמש ורוח בצרפת, החוקרים מנקים ומחלקים את הנתונים בצורה זהירה, מהנדסים אינדיקטורים מועילים כגון ממוצעים נעים ויחסי שמש‑לרוח, ואז משווים אסטרטגיות למידה רבות בתנאים זהים. לפני האופטימיזציה, מודל התשומת לב המרובת‑סקלות כבר מציג שגיאות קטנות יותר וקורלציה חזקה יותר עם התפוקה האמיתית מאשר יריביו. לאחר ש‑biHOW גוזם קלטים מיותרים, כל המודלים משתפרים, אך רשת התשומת לב נהנית הכי הרבה. לבסוף, כאשר משתמשים ב‑iHOW לכוונון הגדרות האימון, שגיאות החיזוי יורדות בסדרי גודל, ויכולת המודל להסביר שונות בתפוקה מתקרבת לשלמות, תוך שמירה על ביצועים טובים משמעותית לעומת חבילה של שיטות אופטימיזציה ידועות כולל עדרי חלקיקים, זאבים אפורים, בזים, לווייתנים ואחרות.

השלכות לרשתות חכמות עתידיות

עבור צופה שאינו מומחה, המסר המרכזי הוא ששילוב מתוכנן היטב של מנוע חיזוי עוצמתי ומאופטימייזר של “למידה ללמוד” יכול להפוך זרמי נתוני מזג־אוויר ותפוקה מגודלים מבולגנים לתחזיות מדויקות להדהים. על ידי קבלת החלטות אוטומטית לגבי אילו אותות חשובים וכיצד יש לקונפג את המודל, המסגרת המוצעת משיגה גם דיוק גבוה יותר וגם עלות חישובית נמוכה יותר. סוג זה של חיזוי אינטליגנטי יכול לסייע לרשתות חכמות עתידיות להסתמך בביטחון רב יותר על רוח ושמש, לתזמן תחזוקה לפני תקלות, ולבסוף לתמוך במערכות בקרה בזמן אמת שישמרו על זרימת חשמל נקי גם כאשר מזג‑האוויר משתנה תמידית.

ציטוט: Radwan, M., Ibrahim, A., Abdelsalam, M.M. et al. Optimizing solar and wind forecasting with iHow optimization algorithm and multi-scale attention networks. Sci Rep 16, 8597 (2026). https://doi.org/10.1038/s41598-026-39632-y

מילות מפתח: חיזוי אנרגיות מתחדשות, חיזוי אנרגיית שמש, חיזוי אנרגיית רוח, אופטימיזציה בלמידה עמוקה, ניהול רשת חכמה