חיזוי הקרינה הנורמלית הישירה (DNI) מבוסס למידת מכונה באמצעות נתוני לוויין עבור תחנות כוח סולאריות מרוכזות (CSP) עם אגירת אנרגיה תרמית (TES)

מדוע חיזוי שעות שמש חשוב

ככל שיותר מדינות מסתמכות על השמש כדי לספק חשמל לבתים ולתעשייה, עולה שאלה מרכזית: איך נשמור על אספקת חשמל כשמזג האוויר משתנה בדקות? תחנות כוח סולאריות מרוכזות, המשתמשות במראות למיקוד קרינת השמש ואגירת חום, יכולות לספק חשמל גם אחרי השקיעה. אך כדי להפעילן ביעילות ובעלות נמוכה, על המנהלים לדעת מראש ועד כמה השמש תהיה חזקה. המחקר מראה כיצד נתוני לוויין מטאורולוגיים חינמיים ולמידת מכונה מודרנית יכולים לספק תחזיות שמש מעשיות ובעלות נמוכה המותאמות לתחנות הסולאריות מהדור הבא.

הפיכת תמונות מהחלל לתחזיות שמש שימושיות

החוקרים מתמקדים בכמות מפתח שנקראת הקרינה הנורמלית הישירה (DNI) — החלק של קרינת השמש שנע בקו ישר וניתן למקד בעזרת מראות. בניגוד לפאנלים סולאריים רגילים, תחנות אלה תלויות כמעט לחלוטין ב-DNI, שהיא רגישה מאוד לעננים, לאדי מים ולחלקיקים באוויר. במקום להתקין מצלמות וכלים קרקעיים יקרים בכל אתר, הצוות משתמש בנתוני לוויין גאוסטציונרי Himawari-8, הצופה ברוב אסיה כל עשר דקות. מתוך הזרם הזה של תמונות ומוצרים נגזרים אוספים הם 17 משתנים, כולל מדדי שמש שונים, סוגי עננים, אדי מים, טמפרטורה וזווית השמש, ומזינים אותם למודלים של למידת מכונה מאומנים לחזות DNI קרוב מראש בטווח של 30 דקות עד 6 שעות.

אלגוריתמים חכמים שלומדים מהשמים

כדי למצוא את כלי החיזוי הטוב ביותר, המחברים בוחנים 24 גישות שונות של למידת מכונה ומשווים בין דיוקן, מהירותן ועלות החישוב. הם מגלים שטכניקת Ensemble Bagging Regression מצטיינת בחיזויים לטווח מאוד קצר, במיוחד באופק של 30 דקות, שם היא לוכדת שינויים עדינים בזמן האחרון. עבור זמנים ארוכים יותר, מודל רגרסיית תהליך גאוסי מעריכי (exponential Gaussian process regression) בולט. מודל זה לא רק חוזה את ה-DNI העתידי אלא גם מספק מדד אי-ודאות מובנה, דבר בעל ערך לתכנון. על פני אופקי חיזוי של עד שישה שעות, המודל הטוב ביותר שומר על ביצועים חזקים, עם שגיאות קטנות מספיק כדי שהן ייספגו על ידי היכולת הטבעית של מערכות אגירת חום בתחנות סולאריות מרוכזות.

קריאת האותות החבויים של מזג האוויר

מעבר לדיוק, הצוות רוצה להבין מה מניע את תחזיות המודל. הם משתמשים בטכניקה של AI ברירה שנקראת SHAP, שמקצה לכל משתנה קלט תרומה לחיזוי, בדומה לחלוקה הוגנת של חשבון בין אורחי ארוחה. ניתוח זה מגלה כי זווית השמש בשמיים ותכונות הקשורות לעננים הן הגורמים המשפיעים ביותר לאורך אופקי זמן רבים. גרסאות השמש בתנאי שמיים צלולים — מה שהקרינה הייתה להיות ללא עננים — משחקות גם הן תפקיד מרכזי, לצד טמפרטורה וערכי עבר פשוטים של DNI בהשהיות קצרות. אוויר לח, אוזון ולחות יחסית נוטים להוריד את הציפייה לשמש, במיוחד בחודשי הקיץ הלחים, בעוד תנאים צלולים ויבשים בסוף החורף ותחילת האביב מגדילים אותה. התובנות הללו מרגיעות את המנהלים שהמודל מגיב לאותות בעלי משמעות פיזיקלית ולא למאפיינים מסתוריים בנתונים.

ממישורים חלקים לעמקים הרריים

מבחן מרכזי הוא האם ניתן לסמוך על מודל שאומן במקום אחד במקום אחר. המחברים מאמנים את המערכת באתר בבאגלפור, הודו, ואז מיישמים אותה בחמישה אתרים נוספים ברחבי דרום אסיה, החל מהמישורים הנמוכים ועד לרגלי ההימלאיה. בשטחים שטוחים יותר, כגון ג׳אנסי וחראגפור, התחזיות נשארות אמינות מאוד, עם רמות שגיאה יציבות ומעט הטיה שיטתית של הערכה יתר או חיסור. לעומת זאת, בתחנות שבנופים מחוספסים או מורכבים יותר, כגון מאקלו בהימלאיה, נצפים תנודות גדולות יותר בדיוק ובהטיה בזמני השהייה מסוימים. דפוסים אלה מעלים שהטופוגרפיה המקומית והתנהגות מזג אוויר יחודית — כמו היווצרות מהירה של עננים סביב הרים — יכולים לאתגר מודל שמתבסס אך ורק על לוויין וייתכן שיידרשו התאמות מקומיות נוספות.

מה משמעות הדבר לעתיד האנרגיה הסולארית

למנהלי תחנות כוח סולאריות מרוכזות עם אגירת חום, המחקר מעביר מסר מעשי: ייתכן שאינם זקוקים לציוד חיזוי היקר והמדויק ביותר כדי לנהל את תחנותיהם ביעילות. הודות להשיכוך הטבעי שמספקת אגירת האנרגיה התרמית, מודל מבוסס לוויין מתוכנן היטב עם שגיאות מתונות עדיין יכול לתמוך בתכנון אמין של תפוקת החשמל בשעות הקרובות. בהתבססות על נתוני לוויין חינמיים בעלי כיסוי רחב ולמידת מכונה ברורה להבנה, גישה זו מציעה דרך ניתנת להרחבה להפחתת עלויות והורדת מחיר החשמל הסולארי באזורים עשירי שמש, במיוחד בדרום אסיה. עם שיפורים נוספים המתחשבים בהרים, חלקיקים באוויר (איארוסולים) ודפוסי מזג אוויר מקומיים, מערכות חיזוי כאלה יכולות להפוך לטכנולוגיה מרכזית לרשת סולארית אמינה יותר.

ציטוט: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

מילות מפתח: חיזוי שמש, חשמל סולארי מרוכז, נתוני לוויין, למידת מכונה, אגירת אנרגיה תרמית