التقييم الكمي لكفاءة الطاقة وتباين المدى في المركبات الكهربائية: تحليل تلوي للدراسات التجريبية المنشورة (2023-2025)
DOI:
https://doi.org/10.65420/sjphrt.v1i1.2الكلمات المفتاحية:
الطاقة الشمسية، طاقة الرياح، التحليل الزماني والمكاني، التعلم الآلي، بيانات الأقمار الصناعية، ERA5، ناسا باور.الملخص
يتطلب تخطيط الطاقة المتجددة تقديرات دقيقة لموارد الطاقة الشمسية وطاقة الرياح على مدى الزمان والمكان. تُطوّر هذه الدراسة إطارًا مكانيًا زمنيًا يستخدم بيانات الأقمار الصناعية وبيانات إعادة التحليل لتقييم الإشعاع الشمسي وسرعة الرياح. نستخدم بيانات أقمار ناسا الصناعية Power وPVOUT، وإعادة تحليل ECMWF لـ ERA5، والملاحظات الأرضية كمدخلات. تُعالَج هذه البيانات لالتقاط كل من التباين المكاني (عبر الشبكات العصبية التلافيفية) والاتجاهات الزمنية (عبر LSTM والشبكات العصبية البيانية) في إمكانات الطاقة المتجددة. تم اختبار نهجنا على منطقة دراسة باستخدام محرك جوجل إيرث ومجموعات البيانات العامة. تُظهر النتائج أن دمج معلومات الأقمار الصناعية المكانية مع بيانات الطقس الزمنية يُحسّن دقة التنبؤ (مثل إنتاج الطاقة الشمسية الكهروضوئية وطاقة الرياح) مقارنةً بالنماذج العددية البحتة. على سبيل المثال، لاحظنا أن المواقع الأكثر رياحًا تتوافق مع الأنماط التاريخية، وأن خرائط الإشعاع الشمسي تتطابق مع المناطق المشمسة المعروفة. تكشف المنهجية أيضًا عن تكامل الطاقة الشمسية وطاقة الرياح: ففي بعض المناطق، تبلغ الرياح ذروتها خلال مواسم ضعف الشمس، مما يُساعد على توازن الإمدادات. تشمل المساهمات الرئيسية لهذه الدراسة دمج بيانات الأقمار الصناعية عالية الدقة وبيانات ERA5، ونماذج الذكاء الاصطناعي الهجينة التي تلتقط التبعيات الزمانية والمكانية، ونتائج دراسات الحالة التي تُوضح تحسين رسم خرائط الموارد لتخطيط السياسات. يُمكن للإطار المُقترح أن يُساعد مُشغّلي الشبكات والمخططين في تحديد مواقع الطاقة الشمسية وطاقة الرياح عالية الإمكانات في ظل ظروف مُختلفة.
