تسعى الدول بشكل متزايد لتحقيق أهداف طموحة في تقليل انبعاثات الكربون، مما يؤدي إلى زيادة تشغيل مزارع الرياح البحرية. ولضمان أنه يمكن لمزارع الرياح الجديدة العمل بكفاءة، فإن هناك حاجة ماسة إلى توقعات دقيقة للطاقة منذ البداية. هذه التوقعات تساهم في استقرار الشبكة الكهربائية، وإدارة جيدة للاحتياطي، وتداول فعال للطاقة.

لكن، على الرغم من الأداء القوي لنماذج التعلم الآلي، فإنها غالباً ما تتطلب كميات كبيرة من البيانات الخاصة بالموقع، وهو ما لا يتوفر في المزارع الجديدة. وفي مواجهة هذه القصور في البيانات، يقدم البحث الجديد إطار عمل مبتكر للتعلم القابل للتحويل (Transfer Learning) يقوم بتجميع إنتاج الطاقة وفقًا لميزات الأرصاد الجوية.

بدلاً من تدريب نموذج واحد لأغراض عامة، يعتمد الأسلوب الجديد على مجموعة من النماذج المتخصصة، حيث يتم تدريب كل نموذج على مجموعة معينة. هذه النماذج المدربة مسبقاً تتكيف بكفاءة مع مواقع جديدة وتلتقط الديناميكيات المناخية القابلة للتحويل.

إذا كانت المساهمات في هذا البحث متمثلة في اقتراح إطار العمل هذا وتقييمه بشكل شامل على ثمانية مزارع رياح بحرية، فقد أظهرت التجارب تحقيق دقة ملحوظة في التنبؤات العابرة للبيانات مع أقل من خمسة أشهر من البيانات المخصصة للموقع، حيث حصلنا على معدل خطأ مطلق قدره 3.52%. وهذا يوفر تأكيدًا تجريبيًا على أن التوقعات الموثوقة لا تتطلب دورة سنوية كاملة.

علاوة على ذلك، يفتح هذا الأسلوب المعتمد على المناخ آفاقًا جديدة في تطبيقات الطاقة الريحية البحرية، مثل تقييم موارد الرياح في المراحل المبكرة، حيث يمكن أن يؤدي تقليل متطلبات البيانات بشكل كبير إلى تسريع تطوير المشاريع مع تقليل مخاطرها المتأصلة بفاعلية.