ST-GAIN+: A Spatiotemporal Generative Adversarial Network for Missing Solar Irradiance Data Imputation

في عالم الطاقة المتجددة، تُعد الشمس مصدر الطاقة الأسمى، لكن نتاجها متقلب بشكل ملحوظ. فالغيوم تنجرف عبر السماء، والمستشعرات تتعطل، وخطوط الاتصال تنقطع، مما يترك فجوات في البيانات التي يعتمد عليها المهندسون لإدارة الشبكة الكهربائية. هذه القطع المفقودة هي أكثر من مجرد نقاط فارغة على رسم بياني؛ إنها ثغرات في أساس التخطيط للطاقة الحديثة. فبدون صورة كاملة لكيفية سقوط ضوء الشمس على مزرعة شمسية في أي لحظة معينة، يصبح من الصعب التنبؤ بكمية الكهرباء التي سيتم توليدها، مما يجعل من الصعب موازنة العرض والطلب أو تخزين الطاقة بكفاءة. لعقود من الزمن، حاول العلماء ملء هذه الفجوات باستخدام اختصارات رياضية، لكن هذه الطرق التقليدية غالباً ما تعاني عندما تكون البيانات المفقودة واسعة النطاق أو عندما تكون أنماط الشمس معقدة ومتغيرة بسرعة. فهي تميل إلى إغفال الروابط الدقيقة بين محطات الأرصاد الجوية المختلفة أو تفشل في مراعاة حقيقة أن الفجوة في البيانات قد تكون أكثر من مجرد رقم — بل قد تمثل حالة عدم يقين كبيرة في النظام.

ولحل هذه المشكلة، طور فريق من الباحثين نهجاً جديداً يسمى +ST-GAIN، وهو نظام حاسوبي متطور مصمم لإعادة بناء البيانات الشمسية المفقودة بدقة وثقة عاليتين. وبدلاً من مجرد تخمين الأرقام المفقودة بناءً على القيم القريبة، يتعلم هذا النظام الإيقاعات المعقدة للشمس من خلال دراسة كميات هائلة من البيانات الواقعية من مواقع متعددة. وهو يعمل من خلال محاكاة عملية تنافسية حيث يحاول جزء من النظام إنشاء بيانات مفقودة واقعية، بينما يعمل جزء آخر كحكم صارم، يحاول كشف البيانات المزيفة. ومن خلال هذا التدريب المتبادل، يتعلم النظام ملء الفراغات بطريقة لا يمكن تمييزها عن الملاحظات الحقيقية. والأهم من ذلك، أنه بخلاف الطرق القديمة التي تقدم إجابة واحدة ثابتة، فإن هذا الإطار الجديد يحسب أيضاً مدى تأكده من تخمينه. فهو يوفر مقياساً للثقة، ليخبر مديري الطاقة ليس فقط بالقيمة المرجحة للبيانات المفقودة، بل أيضاً بمدى الثقة التي يجب وضعها في ذلك الرقم.

اختبر الباحثون هذا النظام على ثلاث مجموعات متميزة من البيانات الشمسية الواقعية، تتراوح من موقع واحد في عُمان إلى شبكات واسعة عبر الولايات المتحدة. وقد تعمدوا إزالة أجزاء كبيرة من البيانات لمحاكاة انقطاعات شديدة، واختبروا النظام بمعدلات فقدان تصل إلى 90 بالمائة. وفي هذه السيناريوهات القصوى، حيث بقيت نقطة بيانات واحدة فقط من كل عشر نقاط، استمر النظام في العمل باستقرار ملحوح. فقد أنتج باستمرار أخطاءً صغيرة للغاية، بقيت تحت العتبة التي قد تعطل التخطيط للطاقة. ووجدت الدراسة أن قدرة النظام على فهم كل من مرور الوقت والعلاقات بين المواقع المختلفة كانت مفتاح نجاحه. ومن خلال الجمع بين طريقة تتبع الأنماط طويلة الأمد وآلية تزن أهمية الخطوات الزمنية والمواقع المختلفة، استطاع النموذج استعادة سلوك الشمس حتى عندما كانت البيانات مفقودة بالكامل تقريباً.

وقد ركز جزء كبير من البحث على فهم سبب عمل النظام بهذا الشكل الجيد. قام الفريق بإزالة أجزاء مختلفة من النموذج بشكل منهجي لمعرفة المكونات الأساسية. واكتشفوا أن القدرة على تقدير عدم اليقين كانت العامل الأكثر أهمية. فعندما أُجبر النظام على التخمين دون فحص الثقة هذا، انخفضت دقته بشكل كبير، وأصبحت الأخطاء أكبر بكثير. وهذا يشير إلى أن معرفة مدى عدم تأكد النموذج تساعده على اتخاذ قرارات أفضل عندما تكون البيانات شحيحة. كما أظهرت الدراسة أنه بينما تعامل النظام مع المواقع الفردية بشكل جيد، إلا أنه تفوق حقاً عند التعامل مع مواقع متعددة منتشرة عبر منطقة ما، مما يثبت قدرته على استخدام أنماط الطقس في محطة واحدة للمساعدة في ملء الفجوات في محطة أخرى.

تشير النتائج إلى أن هذا النهج الجديد يقدم حلاً قولاً لمشكلة لطالما أرقت أنظمة الطاقة المتجددة. فمن خلال توفير عمليات إعادة بناء دقيقة حتى عندما تكون البيانات غير مكتملة بشكل خطير، ومن خلال التصريح صراحةً بمستوى الثقة في عمليات إعادة البناء تلك، يوفر النظام أداة يمكن أن تساعد مشغلي الشبكات على اتخاذ قرارات أكثر أماناً ومعلوماتية. ويشير الباحثون إلى أنه بينما ركزت اختباراتهم الحالية على البيانات المفقودة عشوائياً، فإن الإطار مصمم ليكون قابلاً للتكيف. وسوف يستكشف العمل المستقبلي كيفية تعامل النظام مع أنواع أكثر تعقيداً من فقدان البيانات وكيفية دمجه مباشرة في أدوات التنبؤ في الوقت الفعلي. وفي الوقت الحالي، تشير النتائج إلى أن الجمع بين التعلم التنافسي، والتعرف العميق على الأنماط، وتقدير عدم اليقين، يوفر طريقة جديدة قوية لضمان تتبع طاقة الشمس بشكل موثوق، بغض النظر عما يفرضه الطقس أو المستشعرات.