منهجيات التعلم الآلي الهجينة للتنبؤ الدقيق بطاقة الطاقة الشمسية بناءً على بيانات الطقس الواقعية

الملخص

يُعد التنبؤ الدقيق بالطاقة الشمسية أمراً حيوياً لدمج منشآت الطاقة الشمسية الكبيرة في شبكات الطاقة الحديثة وتحقيق أهداف المناخ العالمية. إن مخرجات الطاقة الشمسية متغيرة للغاية بسبب عوامل الطقس (السحب، درجة الحرارة، الرطوبة)، مما يجعل التنبؤات تشكل تحدياً كبيراً. تظهر طرق التنبؤ التقليدية أحادية النموذج (نماذج التنبؤ العددي بالطقس الفيزيائية NWP، ونموذج ARIMA الإحصائي، ونماذج التعلم الآلي المستقلة) قصوراً في استيعاب جميع أوجه عدم اليقين المدفوعة بالطقس. نحن نستكشف منهجيات التعلم الآلي الهجينة التي تجمع بين نماذج متعددة لتحسين الدقة عبر فترات زمنية مختلفة (من التنبؤ خلال الساعة إلى التنبؤ لليوم التالي). نستخدم مجموعات بيانات واقعية (قاعدة بيانات NREL NSRDB للإشعاع وبيانات الطقس، ومجموعة بيانات INESC-TEC البرتغالية للمحطات الكهروضوئية مع تنبؤات WRF) لتدريب نماذج تشمل الشبكات العصبية الاصطناعية (ANN)، وذاكرة المدى الطويل والقصير (LSTM)، ودعم ناقلات الانحدار (SVR)، والغابات العشوائية (Random Forest)، وXGBoost. يستخدم إطار عملنا الهجين "تجميع التكديس" (Stacking Ensemble) مع متعلم فائق (Meta-learner) لتجميع تنبؤات النماذج الأساسية. تقارن التجارب بين المجموعات الهجينة والنماذج الأحادية ومجموعات التصويت البسيطة. نقوم بتقييم التنبؤات قصيرة المدى (من 30 دقيقة إلى 6 ساعات قادمة) والتنبؤات لليوم التالي (24 ساعة قادمة) باستخدام مقاييس MAE وRMSE وMAPE وR². ووجدنا أن النماذج الهجينة تقلل الأخطاء باستمرار (بنسبة تصل إلى ~10%) مقارنة بالطرق الأحادية، خاصة في الآفاق الزمنية الأطول. وتظهر اختبارات الحساسية أن المدخلات متعددة المتغيرات (الإشعاع، درجة الحرارة، الغطاء السحابي، الرطوبة، الرياح) تعمل على تحسين التنبؤات. توضح النتائج أن خطأ التنبؤ يزداد مع زيادة الأفق الزمني (بما يتماشى مع دراسات الشبكات الأخرى)، لكن المنهجيات الهجينة تخفف من ذلك. يثبت هذا العمل أن التعلم الآلي الهجين يمكنه تحسين دقة التنبؤ بالطاقة الشمسية بشكل كبير في ظل ظروف الطقس الواقعية. ولنتائجنا تداعيات هامة على استقرار الشبكة وعمليات سوق الطاقة.