التنبؤ بتوليد الطاقة الشمسية باستخدام البيانات الجوية الحقيقية وتقنيات التعلم الآلي

الملخص

يُعد التنبؤ الدقيق بالطاقة الشمسية أمرًا ضروريًا لتكامل الشبكة بشكل موثوق والتخطيط الفعال. يستعرض هذا البحث الأساليب التي تستخدم بيانات الطقس في العالم الحقيقي (مثل الإشعاع ودرجة الحرارة والرطوبة والرياح وما إلى ذلك) والتعلم الآلي الحديث (ML) للتنبؤ بمخرجات الطاقة الكهروضوئية (PV). نراجع مجموعات البيانات وخطوات المعالجة المسبقة، ونقارن النماذج بما في ذلك الانحدار الخطي وأشجار المجموعة وآلات متجه الدعم والشبكات العصبية (مثل LSTM و CNN). تم تحديد العوامل الرئيسية مثل الإشعاع الشمسي ودرجة الحرارة كمدخلات مهيمنة، مع وجود ارتباطات أضعف بين الرياح والرطوبة. يتم تقديم العديد من دراسات الحالة: على سبيل المثال، استخدم عصام وآخرون (2022) مجموعة بيانات NREL من فلوريدا ووجدوا أن الشبكة العصبية الاصطناعية أعطت R² ≈ 0.9988، متفوقة على الخوارزميات الأخرى. طبق تشاكرابورتي وآخرون (2023) أساليب المجموعة في الهند وحققوا دقة تبلغ حوالي 96٪ للطاقة الكهروضوئية باستخدام نماذج التكديس/التصويت. بالال وآخرون. قام (2023) بتقييم ثمانية نماذج على مجموعة بيانات من تكساس، حيث أعطت الغابة العشوائية ونموذج LSTM أفضل النتائج (R²≈0.977 و0.975). حسّن نموذج يستخدم بيانات سبع سنوات من Renewables.ninja في اليونان تنبؤات عامل السعة عبر الشبكات العصبية الاصطناعية (ANN). ونلاحظ أيضًا أن الشبكات العصبية التلافيفية والمتكررة (ConvLSTM) قادرة على التقاط الأنماط المكانية والزمانية؛ على سبيل المثال، حقق شاه وآخرون (2024) R²≈0.969 باستخدام نموذج ConvLSTM2D مع خصائص الطقس وجودة الهواء.