שיפור תחזיות רוח וסולארית באמצעות הנדסת תכונות סדרות-זמן ולמידת מכונה אנסמבלית

מדוע תחזיות טובות יותר של אנרגיה נקייה חשובות

כשטורבינות רוח ופאנלים סולאריים מספקים חלק גדול יותר מצריכת החשמל שלנו, התנודות הטבעיות שלהם מקשות על שמירת האור דולק. מפעילי רשת חייבים לדעת לא רק כמה כוח מיוצר כרגע, אלא כיצד תפוקת החשמל צפויה להשתנות בשעות הקרובות. מחקר זה בוחן כיצד ניתוח נתונים מתקדם ולמידת מכונה יכולים להפוך שנים של רישומי רוח ושמש לתחזיות קצרות טווח חדות יותר שעוזרות לאזן בין היצע וביקוש, לצמצם בזבוז ולתמוך ברשת דלת-פחמן אמינה יותר.

מקריאות גולמיות לאותות חכמים יותר

החוקרים עבדו עם כמעט שש שנים של נתוני ייצור רוח ושמש לשעה מצפון צרפת, הכוללים למעלה מחמישים אלף נקודות זמן. במקום להזין את המספרים הגולמיים ישירות למודל, הם עיבדו אותם לאותות עשירים יותר. הם הוסיפו מידע על מה הייתה התפוקה לפני שעה, יום או פרק זמן ארוך יותר, חישבו ממוצעים לטווח קצר ושונות, וקודדו דפוסי לוח שנה כגון שעת היום, יום בשבוע ועונה בעזרת פונקציות מעגליות שמשקפות מחזורים יומיים ושנתיים. הם גם בדקו בקפידה מידע מיותר ודליפות נסתרות של נתונים עתידיים, כך שהמודלים יוערכו על משימות חיזוי מציאותיות ולא על תוצאות שנראו בטעות מראש.

להדריך מכונות לעקוב אחרי קצב מזג האוויר

עם סדרות-הזמן המהונדסות האלה ביד, הצוות בדק מגוון רחב של שיטות חיזוי. מודלים סטטיסטיים קלאסיים כגון ARIMA, שמתבססים על דפוסים לינאריים יחסית פשוטים, הושוו למערכות למידת מכונה גמישות יותר כולל עצי החלטה מועצבים ונוירונים עמוקים. שני אנסמבלים מבוססי עצים, CatBoost ו-LightGBM, נבלטו. שיטות אלה בונות עשרות עצי החלטה קטנים שכל אחד לוכד היבט אחר של הנתונים ואז משלבות אותם למנבא חזק אחד. באמצעות סכמת הערכה קדימה מחמירה מתגלגלת, שבה כל תחזית חדשה נעשית רק מתוך נתונים עבריים, הכותבים הבטיחו שמספרי הביצועים ישקפו מה שניתן לצפות בפעולות רשת אמתיות.

כמה רחוק באמת אפשר לראות קדימה

המחקר בחן תחזיות משעה אחת ועד יום מלא קדימה עבור רוח ושמש בנפרד. עבור רוח, המודלים הטובים ביותר לקחו בחשבון את מרבית השונות באופק של שעה אחת, כשהביצועים יורדים באופן הדרגתי ככל שזמן ההוביל גדל. עד בערך שיש שעות קדימה התחזיות עדיין נשאו מידע שימושי, אך ב-12 עד 24 שעות ההשפעה הגוברת של שינויי מזג אוויר הפכה את התחזיות לפחות ודאיות בהרבה. תחזית כוח סולארי התגלה כקשה אף יותר לאיתור לאופקים ארוכים, מכיוון שכיסוי עננים וגורמים מהירים אחרים יכולים להשתנות במהירות בדרכים שלא ניכרות רק מתוך תפוקת עבר. המודלים הצליחו נאמנה לשעה הקרובה או כך, במיוחד בימים בהירים, אך מעבר לכמה שעות מיומנותם ירדה בחדות.

לאן המודלים בעצם שמים לב

על ידי הסרה שיטתית של קבוצות של תכונות קלט, המחברים בדקו אילו חתיכות מידע היו החשובות ביותר. רמות הכוח האחרונות — הערכים המלאים — היו המרכיב השולט היחיד, ואישרו שמה שקורה עכשיו הוא בדרך כלל הרמז הטוב ביותר למה שיבוא אחר כך. ממוצעים נעים ומדדי תנודתיות לטווח קצר שיחקו גם הם תפקיד מרכזי, במיוחד כשהמערכת עברה במצבי רגיעה לרוח רועשת או בין עננות לשמש. תכונות לוח שנה ומעגליות, כגון שעת היום המקודדת על מעגל, הפכו חשובות יותר באופקים ארוכים יותר, שבהם דפוסים יומיים ועונתיים רחבים חשובים יותר מתנודות דקה-בדקה. מודלים עמוקים מבוססי רשתות נוירונים חוזרות יכלו לעקוב אחרי תנודות מורכבות בייצור, אך האנשמבלים המעודנים ביותר מבוססי עצים התאימו או עלו על דיוקם בעלות חישובית נמוכה יותר.

מה זה אומר עבור רשת העתיד

לקורא הכללי, המסר המרכזי הוא שעיבוד זהיר של נתונים מתויגי-זמן ובחינת מודלים מושכלת יכולים לעשות הבדל ממשי ביכולתנו לצפות את תפוקת תחנות רוח וסולאריות. שיטות למידת מכונה מתוחכמות אך מעשיות יכולות לספק תחזיות אמינות לשעות הקרובות — חלון הזמן החשוב ביותר לאיזון יום-יומי של הרשת. יחד עם זאת, המחקר מראה כי הסתכלות על יום שלם קדימה נותרת מאתגרת אם מסתמכים רק על ייצור עבר, במיוחד עבור אנרגיה סולארית. כדי להרחיב את טווח החיזוי, כלים עתידיים יצטרכו לשלב טכניקות מונעות-נתונים אלה עם מידע מזג-אוויר מפורט וידע פיזיקלי על טורבינות ופאנלים, ולסייע לרשתות להישאר יציבות ככל שאנרגיה נקייה תופסת חלק גדול יותר מהעומס.

ציטוט: 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

מילות מפתח: תחזיות אנרגיה מתחדשת, תחזית כוח מהרוח, תחזית כוח סולארית, למידת מכונה, תכונות סדרות-זמן