⚡ electrical engineering

A missing-data-robust hybrid neural network for photovoltaic power forecasting using improved Golden Jackal optimization

تقترح هذه الورقة إطار عمل لشبكة عصبية هجينة قوية للتنبؤ بقدرة الطاقة الكهروضوئية، يدمج تقنيات استكمال البيانات الشاملة مع مُحسّن "الابن آوى الذهبي" المطور لتعزيز الدقة والموثوقية في ظل وجود بيانات مراقبة مفقودة.

المؤلفون الأصليون: Meijun Liu, Haibin Wu, Lei Qin, Shang Liu, Rui Cheng, Lijuan Chen

نُشر 2026-08-27

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Meijun Liu, Haibin Wu, Lei Qin, Shang Liu, Rui Cheng, Lijuan Chen

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

تُعد الشمس شريكاً موثوقاً لشبكات الطاقة الحديثة، لكنها أيضاً شريك غير متوقع. فالألواح الشمسية تولد الكهرباء فقط عندما تكون السماء صافية والضوء قوياً، مما يعني أن إنتاجها يتذبذب بشدة طوال اليوم ويتغير بتغير الفصول. ولإبقاء الأضواء مشتعلة، يجب على مشغلي الشبكة معرفة مقدار الطاقة التي ستكون متاحة بدقة قبل ساعات أو أيام. وهذا يتطلب تنبؤاً دقيقاً، لكن هذه العملية غالباً ما تعيقها حقيقة بسيطة ومحبطة: وهي أن البيانات القادمة من مزارع الطاقة الشمسية غالباً ما تكون معطلة. فالمستشعرات تتعطل، وخطوط الاتصال تنقطع، وتترك أخطاء التسجيل فجوات في الجدول الزمني. وعندما يتم تغذية نموذج حاسوبي يحاول التنبؤ بالمستقبل بسجل تاريخي مليء بالثقوب، فإنه يتعلم أنماطاً مشوهة ويقدم تخمينات سيئة. ولا يكم يتمثل التحدي الذي يواجه العلماء في بناء متنبئ أفضل فحسب، بل في بناء متنبئ يمكنه النظر إلى سجل فوضوي وغير مكتمل ومع ذلك يرى الشكل الحقيقي لإنتاج الطاقة خلال اليوم.

لقد طور باحثون في جامعة هاربين للعلوم والتكنولوجيا وشركة غوانغدونغ هويبو لتكنولوجيا الروبوتات نظاماً جديداً صُمم خصيصاً للتعامل مع هذا النوع من فوضى البيانات. ويركز عملهم على محطة طاقة شمسية في نينغشيا بالصين، حيث واجهوا المشكلة الشائعة المتمثلة في السجلات المفقودة. وبدلاً من التخلص من البيانات السيئة أو محاولة تخمين الأجزاء المفقودة باستخدام قواعد بسيطة وجامدة، أنشأوا إطار عمل يقوم أولاً بإصلاح الجدول الزمني المعطل ثم يستخدم شبكة عصبية متطورة للتنبؤ بإنتاج الطاقة. اختبر الفريق أربع طرق مختلفة لملء الأرقام المفقودة، تتراوح بين التخمينات الخطية البسيطة وتقنيات تعلم الآلة المعقدة. ووجدوا أن طريقة تسمى "الاستدلال المتعدد" (multiple imputation)، والتي تولد عدة نسخ محتملة من البيانات المفقودة وتجمع بينها، كانت متفوقة بمراحل على غيرها. وقد أثبت هذا النهج كفاءته حتى عندما كانت نسبة ثلاثين بالمائة من البيانات مفقودة، حيث حافظ على معدلات خطأ منخفضة للغاية مقارنة بالطرق التقليدية التي عانت في التعامل مع مثل هذه الفجوات الكبيرة.

بمجرد تنظيف البيانات واستعادتها، قام الباحثون بتغذيتها في شبكة عصبية هجينة، وهي نوع من الذكاء الاصطناعي المصمم لمحاكاة الطريقة التي يعالج بها الدماغ البشري تسلسل المعلومات. تجمع هذه الشبكة تحديداً بين ثلاث قدرات متميزة لفهم بيانات الطاقة الشمسية. أولاً، تستخدم شبكة عصبية تلافيفية زمنية لرصد الأنماط المحلية، مثل الانخفاض المفاجئ في الطاقة عند مرور سحابة. ثانياً، توظف وحدة بوابة تكرارية ثنائية الاتجاه للنظر في البيانات من الماضي والمستقبل معاً، مما يسمح لها بفهم كيف يؤثر اتجاه الصباح على إنتاج فترة بعد الظهر. وأخيراً، تعمل آلية "الانتباه" (attention mechanism) مثل كشاف الضوء، حيث تُعلم النظام التركيز على اللحظات الأكثر أهمية في الجدول الزمني مع تجاهل الضجيج. ولجعل هذا النظام المعقد يعمل بشكل مثالي، استخدم الفريق نسخة محسنة من خوارزمية تحسين تسمى "محسن ابن آوى الذهبي" (Golden Jackal optimizer). تعمل هذه الخوارزمية كمنظم دؤوب، حيث تقوم تلقائياً بضبط الإعدادات الداخلية للشبكة للعثور على التكوين الدقيق الذي يقلل أخطاء التنبؤ إلى أدنى حد.

تم اختبار نتائج هذا النهج عبر جميع الفصول الأربعة، مما كشف عن نظام يتكيف مع الطبيعة المتغيرة للطقس. ففي فصل الربيع، قلل النموذج الجديد متوسط خطأ التنبؤ بأكثر من النصف مقارنة بالنموذج المرجعي القياسي. وكان التحسن أكثر دراماتيكية في فصل الخريف، حيث انخفض الخطأ إلى أقل من ربع ما أنتجه النموذج المرجعي. وحتى في الظروف القاسية في فصل الشتاء، عندما تكون أشعة الشمس ضعيفة والطقس متقلباً، حافظ النظام على مستوى عالٍ من الدقة، متفوقاً على النماذج المتقدمة الأخرى بفارق كبير. وقارن الباحثون طريقتهم بالعديد من بنيات الشبكات العصبية الشائعة الأخرى، بما في ذلك تلك القائمة على الذاكرة طويلة قصيرة المدى والشبكات التلافيفية القياسية. وقد أنتج نظامهم الهجين باستمرار أدنى مستويات الخطأ، مما يثبت أن الجمع بين إصلاح البيانات ومحرك تنبؤ متخصص متعدد الطبقات يخلق أداة أكثر موثوقية لمشغلي الشبكات.

يوضح هذا العمل أن جودة التنبؤ تعتمد بقدر ما تعتمد على مدى تعقيد النموذج المستخدم في التحليل على مدى جودة إعداد البيانات. ومن خلال الاختبار الصارم لطرق مختلفة لإصلاح المعلومات المفقودة، ومن ثم تطبيق استراتيجية تحسين مخصصة، أنشأ الفريق نظاماً يظل دقيقاً حتى عندما تكون البيانات المدخلة غير كاملة. وتشير النتائج إلى أنه لدمج الطاقة الشمسية بشكل أعمق في مزيج الطاقة العالمي، يجب أن تكون أدوات التنبؤ مرنة تجاه الفجوات الحتمية في المراقبة الواقعية. ويقدم الإطار المقترح مساراً عملياً للمضي قدماً، مما يضمن قدرة مشغلي الشبكات على اتخاذ قرارات واثقة بشأن توزيع الطاقة، حتى عندما لا تعمل المستشعرات بشكل مثالي.

أبحاث مشابهة