An Uncertainty-Dependency-Analysis-Integrated CNN-Attention EARF-LSTM Model for Enhanced PV Power Forecasting

تعد الشمس المحرك الأكثر موثوقية على الأرض، ومع ذلك تظل طاقتها محبطة وغير متوقعة للمهندسين الذين يحاولون تسخيرها. فالألواح الشمسية تولد الكهرباء فقط عندما تكون السماء صافية، لكن السحب تنجرف وتدخل وتخرج بسرعة تتحدى التنبؤ البسيط. ويخلق هذا التباين تحديًا كبيرًا للشبكة الكهربائية، التي تتطلب تدفقًا مستمرًا للطاقة لإبقاء الأضواء مشتعلة والآلات تعمل. ولدمج الطاقة الشمسية بأمان، يحتاج مشغلو الشبكة إلى معرفة كمية الكهرباء التي ستنتجها مزارع الطاقة الشمسية في الساعات القادمة بدقة. وبينما أصبحت الحواسيب جيدة جدًا في تخمين هذه الأرقام، إلا أنها غالبًا ما تعاني عندما يصبح الطقس فوضويًا أو عندما ترتكب المستشعرات التي تقيس شدة الشمس أخطاءً صغيرة. هذه الأخطاء، المعروفة باسم حالات عدم اليقين، يمكن أن تتراكم وتؤدي إلى تنبؤات غير دقيقة، مما يجبر مديري الشبكات على الاعتماد على مصادر طاقة احتياطية غالبًا ما تكون أكثر تكلفة وتلوثًا.

لقد طور فريق من الباحثين من جامعات في الهند طريقة جديدة للتعامل مع هذه المشكلة، منتقلين من مجرد التخمين البسيط إلى نظام يفهم ارتباكه الخاص. فبدلاً من معاملة كل تقلب جوي كحدث عشوائي، يبحث نموذجهم الجديد بنشاط عن اللحظات المحددة التي تصبح فيها البيانات غير موثوقة. لقد بنوا برنامجًا حاسوبيًا متطورًا يقوم أولاً بمسح تاريخ بيانات الطقس والطاقة لرصد "القيم المتطرفة" — تلك الارتفاعات المفاجئة والمسننة في البيانات التي تشير إلى خلل في المستشعر أو تحول مفاجئ وفوضوي في حركة السحب. ثم يقوم النظام بتصنيف هذه الشذوذات، ليقرر ما إذا كان الخلل ناتجًا عن الطبوغرافيا الجوية نفسها أو من قياس خاطئ. ومن خلال تغذية هذه الطبقة الإضافية من "المعرفة بعدم اليقين" مرة أخرى في محرك التنبؤ، يتعلم النموذج كيف يزن الماضي بشكل مختلف، حيث يولي اهتمامًا أكبر للأنماط الموثوقة ويتجاهل الضجيج.

جوهر هذا النهج الجديد هو بنية هجينة تجمع بين ثلاث طرق متميزة في التفكير. أولاً، يستخدم أداة للتعرف على الأنماط لمسح البيانات بحثًا عن التقلبات المحلية قصيرة المدى، تمامًا مثل العين البشرية التي تلاحظ تغيرًا مفاجئًا في رسم بياني خطي. ثانيًا، يوظف نظامًا قائمًا على الذاكرة يتذكر تسلسلات طويلة من تاريخ الطقس، مما يسمح له بفهم كيف يمكن لسحابة صباحية أن تؤثر على شمس الظهيرة. وأخيرًا، يضيف آلية تعمل مثل "كشاف الضوء"، حيث تقرر ديناميكيًا الأجزاء الأكثر أهمية من الماضي للتنبؤ الحالي. وقد تم تدريب هذا الكشاف للتركيز بشدة على أجزاء التاريخ التي حدد النموذج سابقًا وجود حالة عدم يقين فيها، مما يضمن أن التنبؤ النهائي يأخذ في الاعتبار احتمالية الخطأ. وقد اختبر الباحثون هذا النظام مقابل عدة أساليب موجودة، بما في ذلك نماذج التعلم العميق القياسية المستخدمة حاليًا في الصناعة.

أظهرت النتائج ميزة واضحة للمنهج الجديد. فعندما قارن الباحثون إنتاج الطاقة المتوقع مقابل الطاقة الفعلية المولدة، ظل نموذجهم قريبًا بشكل ملحوظ من الحقيقة، حتى عندما كان الطوال متقلبًا. وفي اختبارات محددة، قلل النموذج الجديد متوسط الخطأ بفارق كبير مقار بالمنافس التالي له في الأفضلية. والأهم من ذلك، أثبت النظام قدرة أكبر بكثير على الاعتراف بما لا يعرفه؛ فقد أنتج فترات تنبؤ كانت أكثر موثوقية بكثير، حيث احتوت على إنتاج الطاقة الفعلي ضمن نطاق قيمها المتوقعة في كل مرة تقريبًا، بينما أخفقت النماذج القديمة في تحقيق ذلك بشكل متكرر. وتشير الدراسة إلى أنه من خلال تعليم الحاسوب صراحةً كيفية التعرف على تصنيف عدم اليقين الخاص به، يمكننا بناء نظام أكثر مرونة ودقة لإدارة طاقة الشمس، وتحويل مورد طبيعي فوضوي إلى شريك موثوق للشبكة الكهربائية.