تشهد الطاقة الشمسية، وخاصة الطاقة الكهروضوئية (Photovoltaic)، نمواً سريعاً على مستوى العالم، حيث تصل القدرة الإجمالية إلى مستوى قياسي بلغ 597 جيجاوات في عام 2024. يأتي هذا التوسع المتسارع مع تحديات جديدة تتعلق باستقرار الشبكات الكهربائية، التي تواجه مشاكل بسبب الطبيعة المتقطعة للإشعاع الشمسي. لذا، تتطلب الحاجة لأساليب تنبؤ قوية وموثوقة لحماية الشبكات الكهربائية من عدم الاستقرار الناتج عن هذه التقلبات.

في السنوات الأخيرة، برزت تقنيات التعلم العميق كأداة رئيسية في التنبؤ المباشر باستخدام صور السماء المستندة إلى الأرض (Ground-Based Sky Images)، ولكن معظم الأبحاث حتى الآن كانت تركز على تقييم النماذج المعمارية الواحدة وتنبؤات الأفق الفردي. في دراسة حديثة، تم اقتراح التحول من نموذج التقدير التقليدي الأحادي الأفق إلى إطار عمل التنبؤ متعدد الأفق، مما أدى إلى تحسين دقة الأداء دون الاعتماد على معمارية معينة.

من خلال تحسين مشترك لسلسلة من القيم المستقبلية، تتيح الشبكات العصبية العميقة التقاط التفاعلات الزمنية الخفية بين الخطوات، متجنبة النزول المبكر للشبكة فيما يتعلق بتدرجات الوزن وتنوع الفلاتر. تم توظيف هذه المنهجية لتحليل قدرة التنبؤ حول مخرجات الطاقة الشمسية عبر عدة خطوات زمنية منفصلة في المستقبل.

تؤكد النتائج التجريبية على أن هذه المنهجية متعددة الأفق تعزز بشكل ملحوظ دقة التنبؤ ومرونته عبر نطاق التوقعات، مع الحفاظ على كفاءة حاسوبية ملحوظة. تمت مقارنة النماذج المختلفة، لتظهر أن استخدام طرقها الفعالة يمكن أن يساعد على تحسين قدرة الشبكات الحديثة على مواجه التحديات.

في ظل الظروف التي تتطلب استقرارًا أكبر للأنظمة الكهربائية، توفر هذه النماذج متعددة الأفق حلاً قابلًا للتوسع للكثير من التطبيقات المستقبلية في قطاع الطاقة المتجددة. ما هو رأيك في إمكانية استخدام هذه النماذج لتعزيز الاستدامة في مجال الطاقة؟ شاركونا في التعليقات.