מודל חיזוי פוטו־וולטאי קצר טווח מרב־שלבי, מבוסס על אלגוריתם נדידת לווייתנים משופר

מדוע חיזוי כוח סולארי חשוב

ככל שיותר בתים, עסקים ועיריות פונים לאנרגיה סולארית, ידיעת כמות החשמל שפאנלים סולאריים יפיקו בדקות או בשעות הקרובות נעשית קריטית. תחזית שגויה מאלצת מפעילי רשת להילחץ כדי לשמור על אספקת החשמל, מבזבזת כסף ולעתים דלקים מאובנים. מאמר זה מציג דרך חכמה יותר לבצע חיזויים קצרי־טווח של תפוקת אנרגיית שמש, שהיא גם מדויקת יותר וגם יציבה יותר מאשר שיטות רבות קיימות.

עליות ומורדות של כוח סולארי

פאנלים סולאריים תלויים במזג האוויר. עננים חולפים, ערפול, שינויים עונתיים וסופות פתאומיות גורמים לתנודות מורכבות ביצירת החשמל. כלי תחזית מסורתיים או נסמכים במידה רבה על מודלים פיזיקליים מפושטים של פאנלים או מתבססים אך ורק על נתוני עבר. מודלים פיזיקליים עלולים לפספס תופעות מהעולם האמיתי, בעוד שכלים סטטיסטיים טהורים מתקשים כאשר הנתונים רעשניים או לא סדירים. כתוצאה מכך הם לעתים קרובות מתפקדים בצורה לקויה במהלך שינויים חדים באור השמש — בדיוק ברגע שמפעילים זקוקים לתחזיות מהימנות.

פירוק אות בעייתי לחלקים נקיים יותר

כדי לרסן את הכאוס הזה, המחברים קודם כל מנקים את נתוני החשמל הגולמיים לפני החיזוי. הם משתמשים בטכניקה שנקראת פירוק מצבי ואריאציוני (variational mode decomposition), שמפרקת את עקומת הכוח המקורית והמחוספסת למספר רכיבים חלקים יותר, כל אחד לוכד דפוסים בקנה מידה זמן שונה. ההפרדה מפחיתה רעש אקראי ומאפשרת לראות סדירויות מוסתרות ביתר קלות. במקום לכפות על מודל ללמוד מעקומה אחת מסורבלת, השיטה מזינה אותו בערכה של אבני בניין נקיות ויציבות יותר.

לאפשר למכונות ללמוד דפוסים ולהתאים את עצמן

לאחר פירוק האות, המחקר פונה למערכת למידה דו־חלקית. החלק הראשון הוא רשת עצבית מצומדת חד־ממדית (1D CNN), שמצטיינת בזיהוי דפוסים מקומיים ומגמות בנתוני סדרות זמן. החלק השני הוא מנוע למידה קל־משקל שנקרא Kernel Extreme Learning Machine, שממפה במהירות את התבניות שהופקו לחיזויים מספריים. יחד, המודל ההיברידי משלב זיהוי חזק של דפוסים עם חיזוי מהיר ויעיל. עם זאת, ביצועיו תלויים במידה רבה בכמה הגדרות פנימיות מרכזיות — היפרפרמטרים — שקשה לכוונן ידנית.

להשאיל רעיונות מנהיגולי לווייתנים כדי לאופטימיזציה של המודל

כדי לבחור את ההגדרות הקריטיות האלה באופן אוטומטי, המחברים מציעים "אלגוריתם נדידת לווייתנים משופר". בהשראת האופן שבו לווייתני ספחאר (humpback) נעים בקבוצות וחוקרים את הים, האלגוריתם מתייחס לכל סט היפרפרמטרים אפשרי כאל לווייתן המחפש אזורי מזון טובים יותר. הוא משתמש בתמהיל של חיפוש רחב וביצוע חיפושים מקומיים מדויקים, בעזרה של מקריות מבוקרת ומהלכי קפיצה, כדי להימנע מלכידה בפתרונות חלשים. במהלך איטרציות רבות, ה"לווייתנים" נודדים לעבר קומבינציות היפרפרמטרים שממזערות שגיאות חיזוי, ובכך מלמדים את מודל החיזוי כיצד לכוון את עצמו.

בדיקת השיטה במציאות

הקבוצה מעריכה את הגישה המלאה שלה — שמחברת פירוק אות, המודל ההיברידי ומאיץ האופטימיזציה בהשראת לווייתנים — על נתונים אמיתיים משתי תחנות כוח סולאריות בסין, אחת בעוצמה של 50 מגה־ואט והשנייה 35 מגה־ואט, וכיסוי תקופות חורף וקיץ. הם משווים אותה לעשר חלופות, כולל רשתות עצביות סטנדרטיות, מכונות תומכות וקטורים, חזאים חד־שלביים והיברידים פשוטים יותר. המודל החדש לא רק עוקב אחרי העקומות היומיות הכוללות אלא גם מתאם טוב יותר לקפיצות וירידות חדות. במדדים שונים של שגיאה הוא מייצר באופן עקבי טעויות קטנות יותר והתאמה הדוקה יותר לתפוקות בפועל, עם ערכי התאמה של כ־97% ו־92% לשני האתרים.

מה זה משמעותי לשימוש יום־יומי באנרגיה

עבור הקהל הכללי, המסקנה המרכזית היא שהמחברים מציעים "דו"ח מזג אוויר" אמין יותר — אך עבור כוח סולארי. באמצעות ניקוי הנתונים, שימוש במערכת למידה קומפקטית אך עוצמתית, ומתן כוח לאימון המערכת באמצעות חיפוש בהשראה טבעית, הם משפרים משמעותית את החיזוי קצר־הטווח של כמות החשמל שפאנלים יספקו. תחזיות טובות יותר מקלות על איזון בין מקורות מתחדשים למסורתיים, מקטינות עלויות תפעול ותומכות ברשת חשמל נקייה וגמישה יותר. אסטרטגיה דומה יכולה להיות מותאמת גם לבעיות חיזוי מורכבות אחרות — מאנרגיית רוח ועד עומסים תעשייתיים ואפילו ניתוח אותות רפואיים.

ציטוט: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

מילות מפתח: חיזוי אנרגיה סולארית, אנרגיה פוטו־וולטאית, למידת מכונה, אלגוריתמי אופטימיזציה, רשת אנרגיה מתחדשת