A wind power forecasting method based on CEEMDAN- LightGBM-Transformer
تقترح هذه الورقة نموذجاً هجيناً من نوع (CEEMDAN-LightGBM-Transformer) يقوم بتفكيك بيانات طاقة الرياح، واستخراج وتصنيف الميزات غير الخطية والخطية، ودمجها عبر بنية "ترانسفورمر" (Transformer) لتحقيق تنبؤ عالي الدقة مع تقليل مقاييس الخطأ بشكل كبير مقارنة بالطرق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تعد شبكة الكهرباء عملية توازن دقيقة؛ فهي تتطلب تدفقاً مستمراً وثابتاً للطاقة لإبقاء الأضواء مشتعلة والآلات تعمل، ومع ذلك فإن الرياح، التي تُحرك العديد من التوربينات الحديثة، متقلبة بشكل ملحوظ؛ فهي تهب بقوة، وتتوقف، وتغير اتجاهها دون سابق إنذار. هذا عدم القدرة على التنبؤ يخلق تحدياً كبيراً للمهندسين: كيف يمكن لشبكة طاقة أن تعتمد على مصدر يأتي ويغادر وفق أهوائه الخاصة؟ ولحل هذه المعضلة، حاول العلماء لفترة طويلة بناء طرق أفضل للتنبؤ بطاقة الرياح. لقد استخدموا أدوات إحصائية تبحث عن أنماط في البيانات الماضية، وتحولوا مؤخراً إلى التعلم العميق، وهو نوع من الذكاء الحاسوبي الذي يحاكي كيفية تعلم الدماغ البشري من الخبرة. والهدف دائماً هو نفسه: التنبؤ بدقة بكمية الطاقة التي سينتجها مزرعة رياح في الساعات القادمة، مما يسمح لمشغلي الشبكة بالتخطيط المسبق والحفاظ على استقرار النظام.
اقترح فريق من الباحثين في جامعة "شي تشانغ" في الصين طريقة جديدة لمعالجة هذه المشكلة، حيث تجمع بين ثلاث تقنيات متميزة في محرك تنبؤ واحد قوي. يعامل نهجهم، المفصل في دراسة حديثة، البيانات الخام من مزرعة الرياح ليس كتدفق واحد فوضوي، بل كمزيج معقد من إشارات مختلفة تحتاج إلى الفصل. أولاً، يستخدمون عملية رياضية تسمى "تفكيك النمط التجريبي الكامل للمجموعات مع الضجيج التكيفي" (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise). وبكلمات بسيطة، يعمل هذا كمنخل متطور يكسر بيانات طاقة الرياح المتعرجة والمزعجة إلى عدة طبقات أكثر سلاسة وبساطة. وجد الباحثون أن الطبقة العليا من هذه البيانات كانت في الغالب عبارة عن تشويش عشوائي واهتزازات ميكانيكية — وهو ضجيج يربك نماذج التنبؤ. ومن خلال إزالة هذه الطبقة الأولى من الضجيج بعناية مع الحفاظ على بقية الإشارة سليمة، قاموا بتنظيف البيانات دون فقدان التفاصيل المهمة لكيفية سلوك الرياح فعلياً.
بمجرد تنظيف البيانات، قام الباحثون بتغذيتها في مرحلة ثانية مصممة لإيجاد المعلومات الأكثر فائدة. لقد استخدموا خوارزمية تُعرف باسم "LightGBM"، والتي تعمل كمرشح عالي الكفاءة لفرز العشرات من المتغيرات. توفر مزرعة الرياح ثروة من البيانات، بما في ذلك سرعات الرياح عند ارتفاعات مختلفة، ودرجة الحرارة، والرطوبة، والضغط الجوي. حللت منظومة "LightGBM" هذه العوامل لتحديد أي منها كان مهماً حقاً للتنبؤ بإنتاج الطاقة. وقد أكدت أن سرعة الرياح هي العامل المهيمن، لكنها حددت أيضاً تركيبات معينة من متغيرات الطقس الأخرى التي أضافت سياقاً حاسماً. ضمنت هذه الخطوة ألا يطغى على نموذج التنبؤ النهائي بيانات غير ذات صلة، بل أن يركز بدلاً من ذلك على الميزات المحددة التي تقود توليد الطاقة.
كانت القطعة الأخيرة من اللغز هي بنية شبكة عصبية تعتمد على نموذج "ترانسفورمر" (Transformer)، وهو تصميم اشتهر أصلاً بقدرته على فهم اللغة، ولكن تم تكييفه هنا لبيانات السلاسل الزمنية. ينظر هذا الجزء من النظام إلى البيانات المنقحة والمفلترة لفهم كيف تغيرت الرياح بمر over الوقت وكيف ستتغير لاحقاً. وخلافاً للنماذج القديمة التي قد تنظر إلى تاريخ بيانات الرياح بالكامل دفعة واحدة، فقد بُني هذا النظام بهيكل محدد يحترم تدفق الوقت؛ فهو ينظر إلى الماضي ليقدم تنبؤاً عن المستقبل، مما يضمن عدم الوصول عن طريق الخطأ إلى بيانات من المستقبل لا ينبغي له معرفتها بعد. ومن خلال استخدام آلية تسمح له بالتركيز على أجزاء مختلفة من التسلسل الزمني في وقت واحد، يستطيع النموذج التقاط كل من الهبات قصيرة المدى والأنماط اليومية طويلة المدى.
عندما اختبر الباحثون هذا النظام المدمج مقابل طرق التنبؤ الشائعة الأخرى، كانت النتائج مذهلة. باستخدام بيانات من مزرعة رياح بقدرة 200 ميجاواط في الصين، سُجلت كل خمس عشرة دقيقة طوال عام 2019، تفوق نموذجهم الجديد بشكل كبير على المنافسين الراسخين. وبينما واجهت الطرق الأخرى، مثل "الغابة العشوائية" (Random Forest) أو شبكات التعلم العميق القياسية، صعوبة في تتبع الارتفاعات أو الانخفاضات المفاجئة في الطاقة، فقد اتبع النظام الجديد البيانات الواقعية بدقة ملحوظة. وأظهرت الدراسة أن النهج الجديد قلل متوسط خطأ التنبؤ بنسبة 15 بالمائة مقارنة بهذه النماذج الأخرى. علاوة على على ذلك، تطابقت تنبؤات النموذج مع إنتاج الطاقة الفعلي بشكل وثيق لدرجة أن المقياس الإحصائي للدقة، المعروف باسم قيمة "R-squared"، تجاوز 98 بالمائة.
اختبر الباحثون أيضاً نظامهم عن طريق إزالة أجزائه الفردية لمعرفة مدى مساهمة كل جزء في النجاح النهائي. ووجدوا أن الجمع بينها كان ضرورياً؛ إذ أدت إزالة خطوة إزالة الضجيج أو خطوة تصفية الميزات إلى نتائج أسوأ بشكل ملحوظ. تشير الدراسة إلى أن القوة الحقيقية لهذا الأسلوب تكمن في كيفية عمل هذه المكونات الثلاثة معاً: الأول ينظف الإشارة، والثاني يختار المكونات الصحيحة، والثالث يطهو التنبؤ النهائي. يوفر هذا النهج المتكامل أداة قوية لمشغلي الشبكة، مما قد يساعدهم على إدارة دمج طاقة الرياح بشكل أكثر فعالية واتخاذ قرارات أفضل فيما يتعلق بصيانة المعدات وتوزيع الطاقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.