في الوقت الذي تسعى فيه العديد من البلدان لتعزيز استخدام مصادر الطاقة المتجددة، يأتي نموذج MATNet ليحدث تحولاً نوعياً في طريقة توقع إنتاج الطاقة الشمسية. تم تطوير هذا النموذج الجديد القائم على بنية المحولات (Transformer) ليكون في طليعة النماذج التي تعتمد على الذكاء الاصطناعي (AI) لتقديم توقعات دقيقة حول إنتاج الطاقة في اليوم السابق.

تُقسم طرق التوقع الحالية إلى فئتين رئيسيتين: الاستراتيجيات المعتمدة على الفيزياء (Physics-based strategies) والاستراتيجيات المعتمدة على البيانات (Data-based strategies)، حيث توفر نماذج الذكاء الاصطناعي الأداء الأفضل. ومع ذلك، كانت هذه النماذج تفتقر غالبًا إلى مراعاة المعرفة الفيزيائية الأساسية للظاهرة. هنا، يأتي دور نموذج MATNet الذي يعتمد على نهج متعدد الطبقات للجمع بين البيانات السابقة وإحصائيات الطقس المستقبلية، حيث يستخدم آلية انتباه ناعم (Soft Attention Mechanism) في مراحل الدمج المختلفة.

أظهرت النتائج المستخلصة من تقييم نموذج MATNet على مجموعة بيانات أنظمة Ausgrid تفوقه بشكل ملحوظ على العديد من النماذج الأساسية، حيث حقق قيمة RMSE تبلغ 0.0445، وهو ما يعكس تحسناً نسبته حوالي 65% مقارنة بأفضل النماذج السابقة. كما أن مجموعة من الدراسات الإقصائية والتحليل الحساس للبيانات المفقودة أظهرت مرونة MATNet أمام التدهور في المدخلات، بالإضافة إلى تقويم قوته عبر خمسة مجموعات بيانات خارجية لاستعراض عام دون تدريب (Zero-shot Generalization). كل هذه المؤشرات تؤكد على قوة وموثوقية النموذج.

يسلط هذا الابتكار الضوء على المستقبل المتجدد للطاقة ومدى أهمية تقنيات الذكاء الاصطناعي في تسهيل دخول الطاقة الشمسية إلى الشبكة الكهربائية بشكل آمن وفعال. يمكنكم التعرف على كود النموذج من خلال زيارة رابط المشروع لمزيد من المعلومات.