نموذج ذكاء اصطناعي جديد يرفع دقة التنبؤ بالطاقة المتجددة بنسبة 25%

كشفت دراسة علمية حديثة نُشرت في دورية Nature Communications عن تطوير نموذج جديد يعتمد على تقنيات "تعلم الآلة" (Machine Learning) والأساليب الاحتمالية، قادر على تحسين دقة التنبؤ بإنتاج الطاقة المتجددة لليوم التالي بنسبة تصل إلى 25%. ومع تزايد اعتماد شبكات الطاقة على المصادر المتغيرة مثل الرياح والطاقة الشمسية، أصبحت القدرة على توقع تقلبات التوليد بالتزامن مع الطلب على الكهرباء تحدياً حاسماً لمشغلي الأنظمة. يعالج هذا النهج الجديد، الذي طوره الباحثون غييرمو تيرين-سيرانو ورانجيت ديشموخ ومانيل مارتينيز-رامون، حالة عدم اليقين المتأصلة في أنظمة الطاقة الخالية من الكربون من خلال استخدام توزيعات احتمالية مشتركة بدلاً من الأساليب الحتمية التقليدية.

يسلط البحث الضوء على قفزة نوعية في تكنولوجيا إدارة الشبكات، مستهدفاً بشكل خاص التفاعل المعقد بين ارتفاع الطلب على الكهرباء والطبيعة المتقطعة لتوليد الطاقة المتجددة. ومن خلال الاستفادة من بيانات الطقس المتاحة للجمهور، يقدم النموذج حلاً فعالاً من حيث التكلفة لمشغلي الأنظمة لتنسيق أسواق الكهرباء والحفاظ على الموثوقية دون الحاجة إلى تدفقات بيانات ملكية باهظة الثمن.

غالباً ما تعتمد طرق التنبؤ التقليدية على نماذج حتمية تقدم نتيجة متوقعة واحدة لتوليد الطاقة والطلب عليها. ومع ذلك، تفشل هذه النماذج غالباً في حساب تقلبات المصادر المعتمدة على الطقس. تقدم الدراسة الجديدة طريقة تدمج خوارزميات تعلم الآلة لتحديد متغيرات الطقس ذات الصلة مع أساليب احتمالية تحدد كمية عدم اليقين في التنبؤ. تتيح هذه الاستراتيجية المزدوجة للنموذج توليد مجموعة من السيناريوهات المحتملة، مما يوفر رؤية أكثر شمولاً لظروف الشبكة المتوقعة.

يكمن الابتكار الجوهري في التنبؤ القائم على "التوزيعات الاحتمالية المشتركة" لكل من الطلب وإمدادات الطاقة المتجددة. وهذا يعني أن النموذج لا يحلل سرعة الرياح أو الإشعاع الشمسي بمعزل عن غيره، بل يقيم كيفية تفاعل هذه العوامل مع أنماط الاستهلاك. تتيح هذه النظرة الشمولية فهماً أكثر دقة للحمل الصافي (Net Load) - وهو الفرق بين إجمالي الطلب وتوليد الطاقة المتجددة - والذي يعد المقياس الأساسي الذي يجب على مشغلي الشبكة موازنته لمنع انقطاع التيار.

للتحقق من فعالية النموذج، طبقه الباحثون على المناطق التشغيلية الثلاث التابعة لشركة "مشغل النظام المستقل في كاليفورنيا" (CAISO)، وهي منطقة معروفة بكثافة استخدام الطاقة الشمسية وطاقة الرياح. كانت النتائج جوهرية:

• تحسن الأداء: أظهر النموذج الأفضل أداءً تحسناً بنسبة 25% في مهارة التنبؤ مقارنة بالمعايير الصناعية الحالية.
• تخصيص الاحتياطيات: مكنت التنبؤات الاحتمالية من تخصيص أكثر فعالية لاحتياطيات التشغيل، مما قلل الحاجة إلى توليد احتياطي مكلف يتم الاحتفاظ به غالباً "تحسباً للظروف الطارئة".
• كفاءة السوق: من خلال تقليل عدم اليقين، يسمح النموذج بتنسيق أكثر كفاءة للسوق، مما قد يؤدي إلى خفض التكاليف للمرافق والمستهلكين على حد سواء.

تؤكد الدراسة أنه مع استمرار أنظمة الطاقة في التخلص من الكربون، ستزداد قيمة أدوات تعلم الآلة الاحتمالية هذه. وتعد القدرة على التنبؤ الدقيق بالطبيعة "غير المتوقعة" لمصادر الطاقة المتجددة شرطاً أساسياً لمستقبل طاقة خضراء مستقر.

يمثل هذا البحث تحولاً محورياً من إدارة الشبكة التفاعلية إلى الإدارة الاستباقية. إن التحسن بنسبة 25% في مهارة التنبؤ ليس مجرد انتصار إحصائي؛ ففي سياق شبكة بحجم غيغاواط مثل شبكة CAISO، يترجم ذلك إلى ملايين الدولارات من الوفورات وتقليل كبير لمخاطر الانقطاع. ومع اندماج وكلاء الذكاء الاصطناعي ونماذج تعلم الآلة بعمق في البنية التحتية الحيوية، نحن نتجه نحو شبكات "ذاتية الإصلاح" يمكنها توقع التقلبات قبل حدوثها. كما أن استخدام بيانات الطقس العامة يضفي طابعاً ديمقراطياً على هذه التكنولوجيا، مما قد يسمح لمشغلي المرافق الأصغر بتبني تنبؤات متقدمة دون عائق تكاليف الحصول على البيانات المرتفعة.