في ظل التزايد المستمر للاعتماد على الطاقة الشمسية، أصبح من الضروري تحسين دقة التوقعات المتعلقة بإنتاج الطاقة الشمسية. تركز الدراسة الجديدة على تطوير نموذج هجين يتكيف مع الأفق الزمني لعوامل التغيرات الجوية ودورات الشمس المنتظمة.

يستند هذا النموذج المدروس إلى هيكل هرمي يجمع بين عدة تقنيات متطورة، مثل النماذج العصبية الزمنية، والبيانات التاريخية، والعلوم المناخية، بالإضافة إلى أشجار القرار المعززة بواسطة الانحدار (Gradient-Boosted Trees). هذه الأدوات تعمل بشكل متآلف لتقديم توقّعات أدق للإنتاج المرتقب للطاقة الشمسية بناءً على بيانات الطقس والنماذج الجغرافية الشمسية.

تم اختبار هذا الإطار الجديد على بيانات عامة من PVDAQ على فترات تتراوح بين 15 و240 دقيقة، وفي ثلاث مناطق شمسية من GEFCom2014 على آفاق زمنية تصل إلى أربع ساعات. وأظهرت النتائج أن النموذج الهجين حقق متوسط خطأ مطلق (Mean Absolute Error) مقداره 4.315%، مما يمثل تقليصًا للخطأ بنسبة 4.11% مقارنة بنموذج LightGBM الكامل، و6.03% مقارنة بنموذج Chronos-2 المعاير بشكل ممتاز.

كما أظهرت تجارب إزالة الخبراء وجود تكرار ضمن النموذج، مما يشير إلى إمكانية تحسين التكامل في النتائج على الرغم من فاعلية نماذج فردية أخرى مثل LightGBM. تعزز هذه النتائج أهمية استخدام استراتيجيات تنبئية متخصصة متوافقة مع الأفق الزمني، لكن الفوائد التي تقدمها تعتمد بشكل كبير على مجموعة البيانات وفترة التقييم.

مع تزايد اعتماد العالم على الطاقة المتجددة، تبقى الأسئلة مطروحة حول كيفية تحسين هذه التقنيات والاستفادة منها بشكل أفضل. كيف ترى دور الذكاء الاصطناعي في مستقبل مصادر الطاقة النظيفة؟

شاركونا آراءكم في التعليقات!