The Impact of PV Generation Forecast and Multi-Objective Control Policy on Optimal Operation of Grid Connected PV-BESS Microgrid
تُظهر هذه الدراسة أن دمج نموذج للتنبؤ بقدرة الطاقة الكهروضوئية قائم على شبكة الذاكرة الطويلة قصيرة المدى (LSTM) مع سياسة تحكم متعددة الأهداف يعزز بشكل كبير التشغيل الأمثل للشبكات الدقيقة المرتبطة بالشبكة والمكونة من أنظمة كهروضوئية ونظم تخزين طاقة بالبطاريات (PV-BESS)، وذلك من خلال تحسين الاستهلاك الذاتي وتقليل حقن الطاقة في الشبكة، رغم المقايضة المتمثلة في زيادة استغلال البطارية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد الشمس جاراً سخياً ولكنه غير متوقع؛ فهي توفر كمية هائلة من الطاقة النظيفة، ومع ذلك فإن إنتاجها يتغير باستمرار مع حركة السحب، والوقت من اليوم، والفصول. وبالنسبة لشبكة الكهرباء، التي يجب أن توازن بين العرض والطلب في كل ثانية لإبقاء الأضواء تعمل والأجهزة مشغلة، يشكل هذا التباين تحدياً كبيراً. فإذا أنتج نظام الألواح الشمسية كهرباء أكثر مما تحتاجه منطقة ما في أي لحظة معينة، فيجب أن تذهب هذه الطاقة الزائدة إلى مكان ما. وإذا لم تتم إدارتها بعناية، فقد تؤدي إلى إغراق الشبكة المحلية، مما يسبب ارتفاعات في الجهد أو ازدحاماً يهدد استقرارها. ولحل هذه المشكلة، يتجه المهندسون بشكل متزايد إلى الجمع بين الألواح الشمسية، وأنظمة تخزين البطاريات، والبرامج الحاسوبية الذكية. وتعمل البطاريات كعازل، حيث تمتص الطاقة الزائدة عندما تكون الشمس ساطعة وتطلقها عندما تظلم السماء أو يرتفع الطلب. ومع ذلك، لكي يعمل هذا النظام بكفاءة، يحتاج الكمبيوتر إلى معرفة ما ستفعله الشمس بالضبط في الساعات القادمة. وبدون تنبؤ موثوق، قد يقوم النظام بشحن البطارية في وقت متأخر جداً، أو يهدر الطاقة، أو يسحب الكثير من الطاقة من الشبكة الرئيسية، مما يفقد وجود الطاقة الشمسية غرضه الأساسي.
وضع باحثون في الجامعة النرويجية للعلوم والتكنولوجيا خطة لاختبار مدى تحسن أداء نظام (شمسي-بطارية) عندما يستخدم نموذجاً حاسوبياً متطوراً للتنبؤ بالطقس مقارنة بالطرق الأبسط. وقد ركزوا على نوع محدد من الذكاء الاصطناعي يسمى "شبكة الذاكرة الطويلة قصيرة المدى" (LSTM)، وهي مصممة لتعلم الأنماط من البيانات التاريخية، تماماً كما يتعلم الشخص توقع الطقس من خلال مراقبة السماء على مدار سنوات عديدة. بنى الفريق محاكاة رقمية لنظام طاقة صغير ومستقل متصل بالشبكة الرئيسية. تضمن هذا الإعداد الافتراضي مصفوفة شمسية بقدرة عشرين كيلوواط، وبطارية بسعة ثلاثين كيلوواط/ساعة، وحِملاً يمثل استهلاك الكهرباء لمئة منزل نرويجي نموذجي. ثم قاموا بتشغيل هذا النظام عبر محاكاة لمدة شهرين، غطت أواخر الصيف وأوائل الخريف، باستخدام بيانات حقيقية لأشعة الشمس، واستهلاك المنازل، وأسعار الكهرباء من السوق النرويجية.
قارن الباحثون بين ثلاث طرق مختلفة لإدارة هذا النظام. كانت الطريقة الأولى هي سيناريو مثالي حيث يعرف الكمبيوتر الكمية الدقيقة لأشعة الشمس التي ستصل كل خمس عشرة دقيقة طوال اليوم التالي، وقد كان هذا بمثابة معيار مرجعي مثالي. أما السيناريو الثاني، فقد استخدم طريقة أساسية للغاية تسمى "نموذج الاستمرارية"، والذي يفترض ببساطة أن الشمس ستشرق تماماً كما فعلت في الخمس عشرة دقيقة السابقة؛ وهو نهج شائع ومنخفض التقنية غالباً ما يفشل عندما يتغير الطقس بسرعة. أما السيناريو الثالث، فقد استخدم نموذج (LSTM) المتطور، الذي حلل بيانات الطقس والطاقة الشمسية للسنوات الماضية للتنبؤ بتوليد الطاقة خلال الأربع وعشرين ساعة القادمة. وكان الهدف هو معرفة كيف يؤثر اختلاف مستويات دقة التنبؤ هذا على تكلفة الكهرباء، وكمية الطاقة الشمسية المستخدمة محلياً مقابل الطاقة المهدرة، ومدى الجهد الذي تبذله البطارية.
أظهرت النتائج فرقاً واضحاً بين الطرق. فعندما استخدم النظام نموذج الاستمرارية البسيط، عانى من صعوبة في توقع تغيرات الشمس؛ ولأنه لم يستطع رؤية المستقبل، غالباً ما فشل في شحن البطارية عندما كان هناك فائض من الطاقة الشمسية، مما أدى إلى حالة اضطر فيها النظام لشراء المزيد من الكهرباء من الشبكة لتلبية الطلب. كما فشل أيضاً في تخزين طاقة كافية لتجنب إرسال كميات كبيرة من الطاقة الزائدة إلى الشبكة خلال منتصف النهار. وأدى ذلك إلى معدل استهلاك ذاتي — وهو مقياس لكيفية استخدام الطاقة الشمسية مباشرة من قبل المنزل — بلغ 78.1 بالمائة فقط. وفي المقابل، كان النظام الذي استخدم توقعات (LSTM) أقرب بكوثير إلى السيناريو المثالي. فمن خلال التنبؤ بدقة بموعد قوة سطوع الشمس، استطاع الكمبيوتر شحن البطارية مسبقاً وتفريغها في الأوقات المناسبة. وقد رفع هذا النهج معدل الاستهلاك الذاتي إلى 84.5 بالمائة وقلل من ضخ الطاقة في الشبكة بنسبة 82 بالمائة مقارنة بنموذج الاستمرارية.
كما سلطت الدراسة الضوء على مقايضة متأصلة في هذه التكنولوجيا؛ فكلما زادت دقة التنبؤ، زاد استخدام البطارية. ففي السيناريوهين المثالي و(LSTM)، قامت البطارية بدورات الشحن والتفريغ بشكل متكرر أكثر مما حدث في النموذج البسيط. وبينما كان هذا الاستخدام المتكرر يعني أن النظام أكثر كفاءة ويوفر المزيد من المال في فواتير الكهرباء، إلا أنه يعني أيضاً أن البطارية تعمل بجهد أكبر. وأشار الباحثون إلى أن هذا النشاط المتزايد يمكن أن يؤدي إلى شيخوخة البطارية بشكل أسرع بمرور الوقت، وهي تكلفة يجب موازنتها مقابل التوفير الفوري. ومع ذلك، كانت فوائد التنبؤ الدقيق كبيرة؛ فقد قلل النظام الذي استخدم نموذج (LSTM) الخطأ في توقعات الطاقة بنسبة 6 بالمائة مقارنة بالنموذج البسيط، وهو ما تُرجم مباشرة إلى نتائج مالية وتشغيلية أفضل. ووجد الفريق أن النظر إلى الأمام لمدة أربع وعشرين ساعة وفر أفضل توازن، مما سمح للنظام بالتخطيط بفعالية دون أن تصبح التنبؤات غير موثوقة مع تمدد النافذة الزمنية.
في نهاية المطيط، يثبت هذا العمل أن الذكاء الكامن وراء نظام التحكم لا يقل أهمية عن الأجهزة نفسها؛ فالألواح الشمسية والبطارية ليست جيدة إلا بقدر الاستراتيجية المستخدمة لإدارتها. ومن خلال دمج نموذج تنبؤ متطور، أظهر الباحثون أنه من الممكن تقليل الاعتماد على الشبكة الرئيسية بشكل كبير، وخفض التكاليف، وتقليل الضغط الذي تضعه الطاقة الشمسية على البنية التحتية للكهرباء. وتشير النتائج إلى أنه مع زيادة انتشار الطاقة الشمسية، ستكون القدرة على التنبؤ بإنتاجها بدقة عالية أمراً ضرورياً للحفاظ على استقرار الشبكة وكفاءتها. ورغم أن الدراسة أُجريت كعملية محاكاة باستخدام بيانات من العالم الحقيقي، إلا أن النتائج تشير إلى مستقبل يلعب فيه البرامج الذكية دوراً حاسماً في جعل الطاقة المتجددة جزءاً موثوقاً وسائداً في مزيج الطاقة العالمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.