في عالم الطاقة المتجددة، يشكل توقع اتجاه الرياح عنصراً حيوياً لزيادة كفاءة إنتاج الطاقة الهوائية. لكن هذا المجال يواجه العديد من التحديات، منها طبيعة البيانات الدائرية، وتراكم الأخطاء في التوقعات متعددة الخطوات، والتفاعلات المعقدة في الأرصاد الجوية. في ضوء هذه التحديات، يقدم الباحثون نموذجاً جديداً يعرف بـ WaveHiTS، الذي يجمع بين تحويل المويجات (Wavelet Transform) وتقنية التداخل الهرمي العصبي (Neural Hierarchical Interpolation for Time Series).

ترتكب التقنية التقليدية أخطاء بسبب إخفاقها في معالجة الطبيعة المتعددة الأبعاد للبيانات، لكن WaveHiTS يتجاوز ذلك من خلال تفكيك اتجاه الرياح إلى مكونين U-V، ثم تطبيق تحويل المويجات لالتقاط أنماط الترددات متعددة المقاييس، مما يعزز من هيكلية النموذج لإدارة الاعتماد الزمني عبر مقاييس مختلفة.

أظهرت التجارب التي أجريت على بيانات أرصاد جوية حقيقية من منغوليا الداخلية بالصين أن WaveHiTS يتفوق بتفوق كبير على نماذج التعلم العميق مثل RNN وLSTM وGRU، وحتى النماذج القائمة على المحولات (Transformers) مثل TFT وInformer وiTransformer. تصل قيم الجذر المتوسط لمربعات الخطأ (RMSE) إلى حوالي 19.2°-19.4°، بينما تتراوح في النماذج الأخرى بين 56°-64°.

ولم يقتصر الأمر على ذلك؛ إذ أظهر WaveHiTS روعة في الصمود مع معاملات الارتباط المتجه (VCC) التي تراوحت بين 0.985 و0.987 ومعدلات ضرب من 88.5% إلى 90.1%.

تأكيد الدراسات الإضافية لكل مكون - تحويل المويجات، الهيكل الهرمي، وتفكيك U-V - أنها تُسهم بشكل فعّال في تحسين الأداء الإجمالي. تُشير هذه التحسينات في توقع اتجاه الرياح إلى آثار هامة على تحسين كفاءة التحكم في اتجاه ريش التوربينات الهوائية ودمج الطاقة الهوائية بشبكة الطاقة.

إذاً، ما رأيكم في هذه التطورات المبهرة في علم الذكاء الاصطناعي وتوقعات الطقس؟ شاركونا آرائكم في التعليقات!