نماذج الذكاء الاصطناعي الهجين للتنبؤ بتوليد الطاقة الشمسية وتحسينه في ظل ظروف جوية متغيرة
DOI:
https://doi.org/10.65420/sjphrt.v1i1.7الكلمات المفتاحية:
التنبؤ بالطاقة الشمسية، الذكاء الاصطناعي الهجين، CNN-LSTM، توليد الطاقة الكهروضوئية، تقلبات الطقس، تحسين الطاقة المتجددةالملخص
يُعد التنبؤ الدقيق بالطاقة الشمسية أمرًا بالغ الأهمية لتعظيم تكامل الطاقة المتجددة واستقرار الشبكة. تستعرض هذه الدراسة وتقترح نماذج ذكاء اصطناعي هجينة متطورة تجمع بين الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة المدى قصيرة المدى (LSTMs) للتنبؤ بتوليد الطاقة الكهروضوئية (PV) في ظل ظروف جوية متنوعة. نسلط الضوء على كيفية تأثير عوامل الطقس (الإشعاع، والغطاء السحابي، ودرجة الحرارة، والرطوبة) على إنتاج الطاقة الكهروضوئية، ولماذا تُعاني الطرق التقليدية من صعوبة رصد هذه التأثيرات غير الخطية. تستخرج هياكل CNN-LSTM الهجينة السمات المكانية (مثل أنماط السحب) وتتعلم التبعيات الزمنية في بيانات السلاسل الزمنية، مما يُعطي دقة أعلى من النماذج المستقلة. على سبيل المثال، أفاد لادجال وآخرون (2025) بنموذج CNN-LSTM ذي R² ≈ 0.9993، وهو ما يتجاوز بكثير مناهج ANN أو SVR الأبسط. نصف خطوات المعالجة المسبقة للبيانات، وهياكل النماذج، ومقاييس التقييم (MSE، RMSE، MAE، MAPE) المستخدمة في مجموعات بيانات الطاقة الشمسية العامة (مثل بيانات POWER التابعة لناسا). تُظهر التجارب على مجموعات بيانات الطاقة الكهروضوئية المرجعية أن النموذج الهجين يحقق باستمرار أخطاء أقل (مثل MAPE ≈1-7%) مقارنةً بالشبكات العصبية الاصطناعية ذات التغذية الأمامية. علاوة على ذلك، نناقش تطبيقات التحسين: يمكن للتحكم المستند إلى التنبؤات (مثل تعديل الميل، وجدولة تخزين الطاقة) أن يزيد من إنتاج الطاقة ويخفض التكاليف من خلال توقع تقلبات الطقس.
