التنبؤ الفوري العميق بالطاقة الكهروضوئية: توقع إنتاج الطاقة الشمسية باستخدام التعلم العميق

جدول المحتويات

• 1. مقدمة
• 2. المنهجية
  • 2.1 صياغة المشكلة
  • 2.2 مجموعة البيانات والمعالجة المسبقة
  • 2.3 بنيات الشبكات
• 3. التجارب والنتائج
  • 3.1 مقاييس التقييم
  • 3.2 النتائج الكمية
  • 3.3 دراسات الاجتزاء
• 4. التفاصيل التقنية
  • 4.1 الصياغة الرياضية
  • 4.2 دالة الخسارة والتحسين
• 5. مثال على إطار التحليل
• 6. التطبيقات المستقبلية والنظرة المستقبلية
• 7. تعليق الخبراء
• 8. التحليل الأصلي
• 9. المراجع

1. مقدمة

توليد الطاقة الكهروضوئية متغير بطبيعته بسبب اعتماده على الظروف الجوية مثل الغطاء السحابي وموقع الشمس والهباء الجوي. التنبؤ الدقيق قصير المدى، أو التنبؤ الفوري، على مقياس الدقائق أمر بالغ الأهمية لإدارة الشبكات الذكية، وضمان استمرارية الطاقة، وإدارة معدلات التغير. غالبًا ما تعاني الطرق التقليدية التي تعتمد على التنبؤات العددية للطقس أو بيانات الأقمار الصناعية من دقة مكانية وزمانية منخفضة، مما يجعلها غير مناسبة للتنبؤات المحلية على مستوى الدقائق. يقترح هذا العمل نهجًا للتعلم العميق يستخدم صور السماء الملتقطة بواسطة كاميرا أرضية وبيانات تاريخية للطاقة الكهروضوئية للتنبؤ بإنتاج الطاقة في المستقبل.

2. المنهجية

2.1 صياغة المشكلة

الهدف هو التنبؤ بإنتاج الطاقة الكهروضوئية $P_{t+\Delta t}$ في وقت مستقبلي $t+\Delta t$ (على سبيل المثال، قبل دقيقة واحدة) بالنظر إلى قيم الطاقة التاريخية $\{P_{t}, P_{t-1}, ..., P_{t-N}\}$ وسلسلة من صور السماء $\{I_{t}, I_{t-1}, ..., I_{t-M}\}$. أفق التنبؤ $\Delta t$ عادة ما يكون قصيرًا (1-10 دقائق).

2.2 مجموعة البيانات والمعالجة المسبقة

تم جمع مجموعة البيانات في كيوتو، اليابان، وتتكون من قياسات الطاقة الكهروضوئية وصور السماء المقابلة الملتقطة على فترات زمنية مدتها دقيقة واحدة. تتم معالجة الصور مسبقًا عن طريق قصها إلى منطقة اهتمام ثابتة حول الشمس، وتغيير حجمها إلى 224x224 بكسل، وتطبيع قيم البكسل. يتم تطبيع قيم الطاقة إلى نطاق [0,1] باستخدام القياس الأدنى-الأقصى.

2.3 بنيات الشبكات

تتم مقارنة ثلاث بنيات للتعلم العميق:

• MLP (المدرك متعدد الطبقات): نموذج أساسي يأخذ فقط قيم الطاقة التاريخية كمدخل. يتكون من 3 طبقات متصلة بالكامل تحتوي على 128 و64 و1 خلية عصبية على التوالي، باستخدام دوال تنشيط ReLU.
• CNN (الشبكة العصبية الالتفافية): تعالج صور السماء باستخدام 3 طبقات التفافية (32 و64 و128 مرشحًا، حجم النواة 3x3) متبوعة بتجميع أقصى وطبقتين متصلتين بالكامل. يتم دمج قيم الطاقة التاريخية قبل الطبقة النهائية.
• LSTM (الذاكرة طويلة قصيرة المدى): تستخدم طبقة LSTM تحتوي على 128 وحدة مخفية لنمذجة التبعيات الزمنية في سلسلة قيم الطاقة وميزات الصورة المستخرجة بواسطة CNN. يتم تمرير مخرجات LSTM عبر طبقة متصلة بالكامل لإنتاج التنبؤ.

3. التجارب والنتائج

3.1 مقاييس التقييم

يتم تقييم الأداء باستخدام جذر متوسط مربع الخطأ ودرجة مهارة RMSE، والمعرفة على النحو التالي:

$\text{درجة المهارة} = 1 - \frac{\text{RMSE}_{النموذج}}{\text{RMSE}_{الاستمرارية}}$

حيث يفترض خط الأساس للاستمرارية أن $P_{t+\Delta t} = P_t$.

3.2 النتائج الكمية

يلخص الجدول أدناه درجات مهارة RMSE للتنبؤ قبل دقيقة واحدة:

يحقق نموذج LSTM أعلى درجة مهارة بنسبة 21%، متجاوزًا بشكل كبير خطوط الأساس MLP وCNN. يوضح هذا أهمية نمذجة التبعيات الزمنية للتنبؤ الفوري.

3.3 دراسات الاجتزاء

تظهر تجارب الاجتزاء أن استخدام كل من قيم الطاقة التاريخية وصور السماء يحقق أداءً أفضل من استخدام أي من الطريقتين بمفردها. يستفيد نموذج LSTM أيضًا من تسلسلات الإدخال الأطول (حتى 10 دقائق من التاريخ).

4. التفاصيل التقنية

4.1 الصياغة الرياضية

تحسب خلية LSTM الحالة المخفية $h_t$ وحالة الخلية $c_t$ على النحو التالي:

$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$

$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$

$\tilde{c}_t = \tanh(W_c \cdot [h_{t-1}, x_t] + b_c)$

$c_t = f_t \odot c_{t-1} + i_t \odot \tilde{c}_t$

$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$

$h_t = o_t \odot \tanh(c_t)$

حيث $x_t$ هو الإدخال في الوقت $t$، و$\sigma$ هي دالة السيني، و$\odot$ تشير إلى الضرب العنصري.

4.2 دالة الخسارة والتحسين

يتم تدريب النماذج لتقليل خسارة متوسط مربع الخطأ:

$\mathcal{L} = \frac{1}{N} \sum_{i=1}^{N} (P_i - \hat{P}_i)^2$

يتم إجراء التحسين باستخدام محسن Adam بمعدل تعلم قدره $10^{-4}$ وحجم دفعة 32. يتم تطبيق الإيقاف المبكر بناءً على خسارة التحقق.

5. مثال على إطار التحليل

ضع في اعتبارك سيناريو حيث يريد مدير مزرعة شمسية التنبؤ بإنتاج الطاقة الكهروضوئية قبل 5 دقائق. باستخدام نموذج LSTM، سيكون الإدخال عبارة عن سلسلة من آخر 10 قياسات للطاقة و10 صور للسماء. يعالج النموذج الصور من خلال CNN لاستخراج الميزات، ثم يلتقط LSTM الأنماط الزمنية. المخرجات هي قيمة طاقة واحدة مطبعة، يمكن إلغاء تطبيعها إلى كيلوواط فعلي. يتيح هذا التنبؤ للمدير تعديل عمليات الشبكة، مثل تنشيط المولدات الاحتياطية أو إدارة تخزين الطاقة، للحفاظ على الاستقرار.

6. التطبيقات المستقبلية والنظرة المستقبلية

إطار التعلم العميق المقترح له عدة اتجاهات مستقبلية واعدة:

• التكامل مع إنترنت الأشياء: نشر النموذج على الأجهزة الطرفية للتنبؤ في الوقت الفعلي وذو زمن استجابة منخفض في المنشآت الشمسية الفردية.
• التنبؤ متعدد المواقع: توسيع النموذج للتنبؤ بإنتاج الطاقة عبر مزارع شمسية متعددة موزعة جغرافيًا باستخدام أنماط الطقس المشتركة.
• النماذج الهجينة: الجمع بين LSTM وآليات الانتباه أو بنيات المحولات لالتقاط التبعيات بعيدة المدى بشكل أفضل في تسلسلات صور السماء.
• التعلم بالنقل: التدريب المسبق لـ CNN على مجموعات بيانات كبيرة لصور السماء (على سبيل المثال، من محطات الأرصاد الجوية) لتحسين التعميم على المواقع الجديدة.
• تقدير عدم اليقين: دمج الشبكات العصبية البايزية أو التسرب العشوائي لمونت كارلو لتوفير فترات تنبؤ، مما يساعد في اتخاذ القرارات الواعية بالمخاطر.

7. تعليق الخبراء

الرؤية الأساسية: توضح هذه الورقة أن التعلم العميق، وخاصة شبكات LSTM، يمكن أن يحسن بشكل كبير التنبؤ قصير المدى بالطاقة الكهروضوئية من خلال نمذجة التبعيات الزمنية في صور السماء وبيانات الطاقة بشكل فعال.

التسلسل المنطقي: يحدد المؤلفون المشكلة بوضوح، ويقدمون ثلاث بنيات متزايدة التعقيد، ويقيمونها بشكل منهجي على مجموعة بيانات من العالم الحقيقي. تتحقق دراسات الاجتزاء من مساهمة كل مكون.

نقاط القوة والضعف: تتمثل القوة الرئيسية في المقارنة الصارمة للبنيات والإظهار الواضح لتفوق LSTM. ومع ذلك، تقتصر مجموعة البيانات على موقع واحد (كيوتو)، ولم يتم استكشاف أداء النموذج في ظل الظروف الجوية القاسية (مثل الأمطار الغزيرة والثلوج). بالإضافة إلى ذلك، لم تتم مناقشة التكلفة الحسابية لنموذج LSTM.

رؤى قابلة للتنفيذ: بالنسبة للممارسين، يقدم نموذج LSTM تحسنًا بنسبة 21% مقارنة بالاستمرارية، وهو أمر كبير لإدارة الشبكة. لنشر هذا، يجب الاستثمار في جمع البيانات عالية التردد (كاميرات السماء وأجهزة قياس الطاقة) والنظر في الحوسبة الطرفية للاستدلال في الوقت الفعلي. يجب أن يركز العمل المستقبلي على التحقق من صحة متعدد المواقع والمتانة لأنماط الطقس المتنوعة.

8. التحليل الأصلي

تقدم هذه الورقة مساهمة كبيرة في مجال التنبؤ بالطاقة الشمسية من خلال إظهار فعالية التعلم العميق للتنبؤ الفوري على مقياس الدقائق. يكمن الابتكار الرئيسي في استخدام شبكة LSTM لالتقاط التبعيات الزمنية في كل من صور السماء وبيانات الطاقة، مما يحقق درجة مهارة RMSE بنسبة 21% مقارنة بخط الأساس للاستمرارية. تتماشى هذه النتيجة مع الاتجاهات الأوسع في التنبؤ بالسلاسل الزمنية، حيث أظهرت البنيات المتكررة أداءً متفوقًا في مهام مثل التنبؤ بالطقس والتنبؤ بحمل الطاقة (Hochreiter & Schmidhuber, 1997).

من منظور تقني، توفر مقارنة بنيات MLP وCNN وLSTM رؤى قيمة. يعمل MLP، الذي يعتمد فقط على قيم الطاقة التاريخية، كخط أساس قوي ولكنه يفشل في التقاط الإشارات البصرية لحركة السحب. يحسن CNN من ذلك من خلال دمج صور السماء، لكنه يعالج كل خطوة زمنية بشكل مستقل. تعد قدرة LSTM على نمذجة التسلسلات أمرًا بالغ الأهمية، لأن ديناميكيات السحب هي بطبيعتها زمنية. يتوافق هذا الاستنتاج مع الأبحاث في فهم الفيديو، حيث تُستخدم شبكات CNN ثلاثية الأبعاد وLSTM لنمذجة الحركة (Tran et al., 2015).

ومع ذلك، فإن للدراسة قيودًا. تم جمع مجموعة البيانات في موقع واحد في كيوتو، اليابان، والتي لها نمط مناخي محدد (معتدل مع فصول متميزة). لم يتم اختبار قابلية تعميم النموذج على المناخات الأخرى (على سبيل المثال، الاستوائية والقاحلة). علاوة على ذلك، لا تتناول الورقة التكلفة الحسابية لنموذج LSTM، والتي قد تكون باهظة للنشر في الوقت الفعلي على الأجهزة منخفضة الطاقة. يمكن استكشاف التطورات الحديثة في البنيات خفيفة الوزن، مثل MobileNets (Howard et al., 2017)، لتقليل وقت الاستدلال.

جانب آخر مهم هو جودة صور السماء. تستخدم الورقة منطقة اهتمام ثابتة حول الشمس، والتي قد لا تلتقط السحب المتحركة من المحيط. يمكن أن يتضمن العمل المستقبلي آليات انتباه للتركيز ديناميكيًا على المناطق ذات الصلة، كما هو الحال في التعليق على الصور (Xu et al., 2015). بالإضافة إلى ذلك، يمكن تحسين أداء النموذج في ظل الظروف المتغيرة بسرعة (مثل السحب الركامية) باستخدام دقة زمنية أعلى (على سبيل المثال، فترات زمنية مدتها 10 ثوانٍ).

في الختام، توفر هذه الورقة أساسًا متينًا للتنبؤ الفوري بالطاقة الكهروضوئية القائم على التعلم العميق. نموذج LSTM هو الفائز الواضح، لكن النشر العملي يتطلب معالجة الكفاءة الحسابية وقابلية التعميم. يمكن أن يؤدي دمج هذا النهج مع أنظمة الشبكات الذكية إلى إدارة طاقة متجددة أكثر مرونة وكفاءة.

9. المراجع

• Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780.
• Howard, A. G., et al. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
• Tran, D., et al. (2015). Learning spatiotemporal features with 3D convolutional networks. Proceedings of the IEEE International Conference on Computer Vision.
• Xu, K., et al. (2015). Show, attend and tell: Neural image caption generation with visual attention. Proceedings of the International Conference on Machine Learning.
• Zhang, J., et al. (2018). Deep photovoltaic nowcasting. Solar Energy (accepted).