An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting

تخيل أنك تحاول تخمين كمية الطاقة التي ستنتجها محطة طاقة شمسية غداً. هذه ليست مجرد لعبة تخمين؛ إنها لغز عالي المخاطر لمستقبلنا. نحن نعيش في عالم يحاول الانتقال من محطات الطاقة المتسخة والمدخنة إلى الكهرباء النظيفة التي تعمل بالطاقة الشمسية. لكن الشمس صديق متقلب؛ فهي تختبئ خلف السحب، وتتغير مع الفصول، وتختفي في الليل. ولجعل هذه الطاقة النظيفة تعمل، نحتاج إلى معرفة مقدار الطاقة التي ستكون متاحة بدقة قبل أن تشرق الشمس حتى. هذه هي وظيفة "التنبؤ بالقدرة الكهروضوئية".

فكر في الأمر كأنك تحاول التنبؤ بعدد الأشخاص الذين سيحضرون إلى حفلة. إذا أخطأت في التخمين، فقد ينفد منك الطعام (عدم وجود طاقة كافية للسيارات الكهربائية) أو يتبقى لديك الكثير (طاقة مهدورة). يستخدم العلماء طريقتين رئيسيتين للقيام بهذه التخمينات. الأولى هي "الفيزياء"، وهي تشبه استخدام خريطة وبوصلة لحساب أين يجب أن تكون الشمس بناءً على الرياضيات ودوران الأرض. والثانية هي "تعلم الآلة"، وهو يشبه طالباً ذكياً جداً ينظر إلى آلاف الحفلات الماضية ليرى الأنماط في كيفية تغير الطقس. عادة ما نعتقد أنه كلما كان الطالب أكثر تعقيداً، كان تخمينه أفضل. ولكن ماذا لو كان الطالب ينظر إلى الخريطة الخطأ؟ ماذا لو كانت الخريطة مزاحة بساعة واحدة؟ هذه هي المشكلة المعقدة التي يتناولها هذا البحث: كيف نبني تنبؤاً موثوقاً عندما لا نملك سنوات من البيانات المثالية، وعندما قد لا تتفق خرائطنا وساعاتنا حتى؟

ارتباك التنبؤ الشمسي

يتحدث هذا البحث عن فريق من الباحثين ذهبوا إلى محطة شحن مركبات كهربائية جديدة تماماً في ساوثهامبتون، المملكة المتحدة، لحل مشكلة محددة للغاية. هذه المحطة، التي تسمى FEVER، تحتوي على ألواح شمسية لتشغيل شواحنها، لكنها جديدة. ليس لديها سوى حوالي عام واحد من البيانات، وبعض هذه البيانات مفقود أو غير دقيق. أراد الباحثون بناء نظام ذكاء اصطناعي يمكنه التنبؤ بالطاقة الشمسية للأربع وعشرين ساعة القادمة، ساعة بساعة، للمساعدة في إدارة محطة الشحن.

وجدوا أن المشكلة الأكبر لم تكن في أن نماذج الذكاء الاصطناعي الخاصة بهم كانت بسيطة للغاية؛ بل كانت في أن البيانات "غير متزامنة" قليلاً. تخيل محاولة خبز كعكة حيث تقول وصفتك "اخلط في الساعة 9:00 صباحاً"، لكن ساعة فرنك مضبوطة على الساعة 8:00 صباحاً. ستخلط المزيج قبل ساعة من الموعد المحدد، وستكون الكعكة كارثة. اكتشف الباحثون أن قياسات الطاقة الشمسية من المحطة وبيانات الطقس من الإنترنت العام كانت منحرفة بمقدار ساعة واحدة بالضبط. عندما أصلحوا هذا "التفاوت في الطوابع الزمنية"، تحسنت توقعاتهم القائمة على الفيزياء البسيطة بشكل كبير، حيث قفزت من تطابق بنسبة 42% إلى 60% مع الواقع. ومع ذلك، كانت نماذج الذكاء الاصطناعي المتطورة مرنة للغاية لدرجة أنها استطاعت تجاهل هذا الخطأ واستمرت في التخمين بشكل جيد، رغم أنها لم تكن مثالية.

نهج "فريق المطبخ"

بدلاً من الاعتماد على نوع واحد فقط من نماذج الذكاء الاصطناعي، قرر الفريق بناء "فريق مطبخ" من نماذج مختلفة، لكل منها تخصص مختلف. لم يكتفوا بإلقاء شبكة عصبية ضخمة واحدة على المشكلة؛ بل جربوا خمسة مقاربات مختلفة:

1. المفكر الخطي: نموذج بسيط يبحث عن العلاقات الخطية المستقيمة.
2. راصد الأنماط: نموذج يجيد العثور على الأنماط المعقدة وغير الخطية في البيانات.
3. متخصص "السماء الصافية": نموذج يحسب أولاً ما ستكون عليه الطاقة في يوم مثالي خالٍ من الغيوم، ثم يحاول تخمين مقدار تقليل السحب لهذا القدر.
4. الخبير الساعي: نموذج لديه 24 "عقلاً" مختلفاً، واحداً لكل ساعة من اليوم، لأن الشمس تتصرف بشكل مختلف في الساعة 7 صباحاً عما هي عليه في الساعة 2 ظهراً.
5. قارئ الصور: نموذج ينظر إلى بيانات الطقس كصورة (شبكة من الأيام والساعات) لرصد حركة السحب.

ثم استخدم الباحثون خدعة ذكية تسمى "التجميع" (Stacking). تخيل معلماً يطلب من خمسة طلاب مختلفين حل مسألة رياضية. بدلاً من مجرد اختيار الطالب صاحب الإجابة الأفضل، ينظر المعلم إلى كيفية أداء كل طالب في الاختبارات التجريبية ويعطيهم "وزن تصويت". إذا كان "راصد الأنماط" صحيحاً عادةً في الأيام الغائمة، فإنه يحصل على أصوات أكثر. وإذا كان "الخبير الساعي" بارعاً في توقعات الصباح، فإنه يحصل على أصوات أكثر في الصباح. التنبؤ النهائي هو متوسط مرجح لتخميناتهم جميعاً.

النتائج: أذكى، وليس مجرد أكبر

اختبر الفريق نظامهم بطريقتين. أولاً، قاموا بخلط الأيام عشوائياً (مثل خلط أوراق اللعب) ليروا مدى جودة تعلم النماذج للقواعد العامة. ثانياً، استخدموا اختباراً أكثر صرامة يسمى "الأصل المتداول" (rolling-origin)، والذي يحاكي الواقع: حيث يتم تدريب النموذج على البيانات الماضية ويُطلب منه التنبؤ بالمستقبل، يوماً بعد يوم، دون استباق الأحداث.

إليكم ما وجدوه:

• الفريق يفوز: تفوق "الفريق المجمع" من النماذج على أي نموذج منفرد بمفرده. في اختبار الخلط العشوائي، قلل الفريق الخطأ بنسبة 3الت حوالي 32% مقارنة بطريقة "الاستمرارية الذكية" (التي تعدل مخرجات الأمس بناءً على ظروف السماء الصافية المتوقعة). وفي الاختبار الأكثر صرامة في الحياة الواقعية، ظلوا يحسنون الخطأ بنسبة 9% مقابل نفس خط الأساس للاستمرارية الذكية.
• الفيزياء مهمة: كان نهج "السماء الصافية" مفيداً جداً. من خلال تعليم الذكاء الاصطناعي أولاً فهم "الغلاف الشمسي" (أقصى طاقة ممكنة بناءً على موقع الشمس) ثم مجرد تخمين تأثير الطقس، تعلمت النماذج بشكل أسرع وقدمت تنبؤات أفضل.
• الطقس قصير المدى هو المفتاح: لم يكن أهم مكون لتنبؤ جيد هو الرياضيات المعقدة لموقع الشمس، بل معرفة ما كان يفعله الطقس قبل ساعة واحدة ومن ساعة واحدة من الآن. تتحرك السحب بسرعة، ومعرفة جيرانها المباشرين ساعدت الذكاء الاصطناعي في تخمين أين ستذهب بعد ذلك.

لماذا هذا مهم

يشير البحث إلى أنه بالنسبة للمواقع الشمسية الجديدة حيث لا نملك سنوات من البيانات المثالية، لا نحتاج إلى الانتظار لبناء قاعدة بيانات ضخمة لبناء تنبؤ جيد. من خلال إصلاح أخطاء البيانات البسيطة (مثل إزاحة الساعة الواحدة)، واستخدام الفيزياء لتوجيه الذكاء الاصطناعي، ودمج أنواع مختلفة من النماذج، يمكننا الحصول على تنبؤات موثوقة في وقت أقصر بكثير.

ومع ذلك، يلاحظ المؤلفون بحذر أن هذا ليس حلاً سحرياً. أظهر اختبار "الأصل المتداول" أنه عندما يتغير الطقس بطرق لم يرها النموذج من قبل (مثل تغير الفصول)، تنخفض الدقة. وهذا يشير إلى أنه بينما يعد النظام رائعاً للاستخدام الفوري، فإنه لا يزال بحاجة إلى مواصلة التعلم مع توفر المزيد من البيانات. تثبت الدراسة أن خط العمل المنظم جيداً — إصلاح الساعات، استخدام الميزات الصحيحة، والاستماع إلى فريق من النماذج المتنوعة — غالباً ما يكون أقوى من مجرد استخدام أكبر وأكثر نماذج الذكاء الاصطناعي تعقيداً بمفرده. إنه تذكير بأنه في عالم الطاقة الخضراء، أحياناً تكون أفضل طريقة للتنبؤ بالمستقبل هي التأكد من أن بيانات حاضرك متوافقة تماماً.