مجموعة غابة عشوائية من نماذج انحدار المتجه الداعم للتنبؤ بالطاقة الشمسية

جدول المحتويات

1. المقدمة والنظرة العامة

تتناول هذه الورقة البحثية، بعنوان "مجموعة غابة عشوائية من نماذج انحدار المتجه الداعم للتنبؤ بالطاقة الشمسية"، تحدياً حاسماً في أنظمة الطاقة الحديثة: عدم اليقين والتقطع في توليد الطاقة الشمسية الكهروضوئية. مع زيادة اختراق مصادر الطاقة المتجددة للشبكة، يصبح التنبؤ الدقيق أمراً بالغ الأهمية للحفاظ على الاستقرار، وتحسين احتياطيات التشغيل، وتمكين عمليات السوق بكفاءة. يقترح المؤلفون نموذجاً هجيناً جديداً من مرحلتين يستفيد من نقاط قوة تقنيتين راسختين للتعلم الآلي: انحدار المتجه الداعم (SVR) لتوليد تنبؤات أولية، والغابة العشوائية (RF) كمتعلّم فائق لتجميع هذه التنبؤات وصقلها.

يكمن الابتكار الأساسي في استخدام الغابة العشوائية ليس لمعالجة البيانات الأرصادية الأولية، بل لإجراء معالجة لاحقة أو دمج تنبؤات. تدمج مجموعة الغابة العشوائية التنبؤات من نماذج متعددة لانحدار المتجه الداعم (باستخدام تنبؤات الحاضر والماضي) جنباً إلى جنب مع بيانات الطقس ذات الصلة لإنتاج تنبؤ يوم قادم متفوق وموحد للطاقة الشمسية. يتجاوز هذا النهج مجرد المتوسطات البسيطة أو مزج بيانات الطقس، بهدف التقاط التفاعلات المعقدة وغير الخطية بين تيارات التنبؤ المختلفة.

2. المنهجية والإطار التقني

2.1 نماذج التعلم الآلي الأساسية

انحدار المتجه الداعم (SVR): يُستخدم انحدار المتجه الداعم كمنبئ أساسي. يعمل من خلال إيجاد دالة $f(x) = w^T \phi(x) + b$ تنحرف عن الأهداف الفعلية $y_i$ بقيمة على الأكثر $ε$ (أنبوب غير حساس لإبسيلون)، مع بقائها مسطحة قدر الإمكان. يتم صياغة هذا كمشكلة تحسين محدب، مما يجعله قوياً ضد الإفراط في التخصيص، خاصة مع البيانات عالية الأبعاد مثل ميزات الطقس والطاقة التاريخية المجمعة.

الغابة العشوائية (RF): تُستخدم الغابة العشوائية كمجمع للمجموعة. تعمل من خلال بناء عدد كبير من أشجار القرار أثناء التدريب وإخراج متوسط التنبؤ (للانحدار) للأشجار الفردية. تجعل قدرتها المتأصلة على التعامل مع العلاقات غير الخطية، وترتيب أهمية الميزات، وتوفير المتانة ضد الضوضاء منها مثالية لتحديد تنبؤات انحدار المتجه الداعم الأكثر موثوقية (وتحت أي ظروف).

2.2 بنية المجموعة الهجينة

البنية المقترحة هي مجموعة متراكبة:

1. المستوى 1 (المنبئون الأساسيون): يتم تدريب نماذج متعددة لانحدار المتجه الداعم، باستخدام معلمات فائقة مختلفة، أو مجموعات ميزات إدخال (مثل الطاقة المتأخرة، ودرجة الحرارة، والإشعاع الشمسي)، أو نوافذ تدريب محتملة. يولد كل منها تنبؤاً ليومٍ قادم.
2. المستوى 2 (المتعلم الفائق): يتم تدريب نموذج غابة عشوائية. مدخلاته (الميزات) هي التنبؤات من جميع نماذج انحدار المتجه الداعم في المستوى الأول للخطوة الزمنية المستهدفة، جنباً إلى جنب مع بيانات الأرصاد الجوية الفعلية (مخرجات التنبؤ العددي للطقس) لتلك الفترة. مخرجها (الهدف) هو الطاقة الشمسية المرصودة الفعلية. تتعلم الغابة العشوائية وزن وتجميع تنبؤات انحدار المتجه الداعم بشكل أمثل بناءً على سياق الطقس السائد.

هذه الطريقة أكثر تطوراً من متوسط النماذج التقليدي، حيث يمكن للغابة العشوائية تعلم أوزان تعتمد على السياق، مما يؤدي بشكل فعال إلى اختيار وتصحيح ذكي للتنبؤات.

3. الإعداد التجريبي والنتائج

3.1 مجموعة البيانات ومقاييس التقييم

من المرجح أن تستخدم الدراسة سنة من البيانات التاريخية من نظام طاقة شمسية كهروضوئية، بما في ذلك ناتج الطاقة والمتغيرات الأرصادية المقابلة (الإشعاع الشمسي، ودرجة الحرارة، والغطاء السحابي). تعمل بيانات التنبؤ العددي للطقس (NWP) كمدخل أساسي للتنبؤات ليومٍ قادم. يتم تقييم الأداء باستخدام مقاييس الخطأ القياسية مثل جذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، وربما متوسط النسبة المئوية للخطأ المطلق (MAPE)، مقارنةً بالنموذج الهجين مع نماذج انحدار المتجه الداعم الفردية وتقنيات دمج معيارية أخرى (مثل المتوسط البسيط، والانحدار الخطي الموزون).

3.2 تحليل الأداء والمقارنة

تذكر الورقة أن مجموعة الغابة العشوائية - انحدار المتجه الداعم تتفوق على كل من نماذج انحدار المتجه الداعم المكونة لها وطرق الدمج الأخرى على مدار فترة التقييم السنوية. يشير هذا إلى أن استراتيجية الدمج غير الخطية للغابة العشوائية تلتقط بنجاح التفاعلات التي تفوتها المجمعات الخطية. تؤكد النتائج الفرضية القائلة بأن دمج التنبؤات عبر متعلم فائق قوي يمكنه استخراج إشارة تنبؤية إضافية من مجموعة من التنبؤات المتنوعة ولكن المترابطة.

وصف الرسم البياني (مفاهيمي): سيظهر مخطط شريطي قيم جذر متوسط مربع الخطأ/متوسط الخطأ المطلق لكل من: أ) نموذج الثبات، ب) أفضل نموذج فردي لانحدار المتجه الداعم، ج) متوسط نماذج انحدار المتجه الداعم، د) دمج الانحدار الخطي، هـ) مجموعة الغابة العشوائية - انحدار المتجه الداعم المقترحة. سيكون شريط مجموعة الغابة العشوائية - انحدار المتجه الداعم هو الأقصر، مما يوضح الدقة المتفوقة. يمكن أن يظهر مخطط خطي تكميلي التنبؤ مقابل الطاقة الفعلية لأسبوع تمثيلي، مسلطاً الضوء على الأماكن التي تصحح فيها المجموعة الأخطاء التي ارتكبتها النماذج الفردية.

4. التحليل النقدي والمنظور الصناعي

الرؤية الأساسية: عمل أبويلا شودري هو نهج عملي يركز على الهندسة، وليس اختراقاً نظرياً. إنه يقر بأنه في عالم التنبؤ الشمسي الفوضوي الواقعي، لا يوجد نموذج "أفضل" واحد. بدلاً من البحث عن نموذج خارق، يقومون بنشر "لجنة من الخبراء" (نماذج متعددة لانحدار المتجه الداعم) و"رئيس ذكي" (الغابة العشوائية) لتوليف أفضل إجابة ممكنة. هذا أقل حول اختراع ذكاء اصطناعي جديد وأكثر حول تنسيق أدوات موجودة ومجربة بذكاء - وهي علامة على النضج في التعلم الآلي التطبيقي لأنظمة الطاقة.

التدفق المنطقي ونقاط القوة: المنطق سليم ويعكس أفضل الممارسات في مسابقات التعلم الآلي (مثل مسابقة GEFCom2014 المشار إليها). تكمن القوة في بساطتها وإمكانية إعادة إنتاجها. يتوفر انحدار المتجه الداعم والغابة العشوائية على نطاق واسع، ويفهمان جيداً، ويسهل ضبطهما نسبياً مقارنةً بالبدائل المتعلقة بالتعلم العميق. تقدم العملية ذات المرحلتين أيضاً قابلية للتفسير: يمكن لأهمية ميزات الغابة العشوائية الكشف عن نموذج انحدار المتجه الداعم (أو متغير الطقس) الأكثر تأثيراً في ظل ظروف محددة، مما يوفر رؤى تشغيلية قيمة تتجاوز رقم تنبؤ صندوق أسود.

العيوب والقيود: لنكن صريحين: هذا نهج يعود لعام 2017. البنية متسلسلة وثابتة بطبيعتها. نماذج انحدار المتجه الداعم ثابتة قبل تدريب الغابة العشوائية، مما يفوت فرصة التحسين الشامل من البداية إلى النهاية التي يمكن أن تقدمها مجموعات التعلم العميق الحديثة (مثل استخدام الشبكات العصبية كمتعلّمين أساسيين ومتعلمين فائقين). كما أنها تتطلب على الأرجح هندسة ميزات كبيرة وقد تواجه صعوبة مع بيانات التردد العالي جداً أو التقاط التبعيات الزمكانية المعقدة عبر أساطيل الطاقة الشمسية الكهروضوئية الموزعة - وهو تحدٍ تظهر فيه الشبكات العصبية البيانية (GNNs) الآن وعداً، كما يظهر في الأدبيات الحديثة من مؤسسات مثل المختبر الوطني للطاقة المتجددة (NREL).

رؤى قابلة للتنفيذ: بالنسبة لفرق التنبؤ في المرافق، تظل هذه الورقة مخططاً لتحقيق فوز سريع. قبل الغوص في التعلم العميق المعقد، نفذ مجموعة الغابة العشوائية على انحدار المتجه الداعم هذه. إنه مشروع منخفض المخاطر وذو عائد مرتفع محتمل. الرؤية الحقيقية هي معاملة طبقة "دمج التنبؤات" كمكون حاسم للنظام. استثمر في إنشاء مجموعة متنوعة من التنبؤات الأساسية (باستخدام خوارزميات مختلفة، ومصادر بيانات، ونماذج مستنيرة بالفيزياء) ثم طبق مجمعاً غير خطي قوياً مثل الغابة العشوائية أو التعزيز التدريجي. هذا النهج المعياري يجعل نظامك مستقبلياً؛ يمكنك استبدال نماذج أساسية أحدث (مثل LSTM أو Transformer) بمجرد إثبات قيمتها، مع الاحتفاظ بإطار الدمج القوي.

5. التفاصيل التقنية والصياغة الرياضية

صياغة انحدار المتجه الداعم: بالنظر إلى بيانات التدريب ${(x_1, y_1), ..., (x_n, y_n)}$، يحل انحدار المتجه الداعم: $$\min_{w, b, \xi, \xi^*} \frac{1}{2} ||w||^2 + C \sum_{i=1}^n (\xi_i + \xi_i^*)$$ بشرط: $$y_i - (w^T \phi(x_i) + b) \le \epsilon + \xi_i,$$ $$(w^T \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*,$$ $$\xi_i, \xi_i^* \ge 0.$$ هنا، $\phi(x)$ ينتقل إلى فضاء ذي أبعاد أعلى، $C$ هي معلمة التنظيم، و $\xi_i, \xi_i^*$ هي متغيرات الترخي.

تنبؤ الغابة العشوائية: بالنسبة للانحدار، فإن تنبؤ الغابة العشوائية $\hat{y}_{RF}$ لمتجه الإدخال $\mathbf{z}$ (الذي يحتوي على تنبؤات انحدار المتجه الداعم وبيانات الطقس) هو متوسط التنبؤات من $B$ شجرة فردية: $$\hat{y}_{RF}(\mathbf{z}) = \frac{1}{B} \sum_{b=1}^{B} T_b(\mathbf{z})$$ حيث $T_b$ هي شجرة القرار $b$-th.

6. إطار التحليل: دراسة حالة مفاهيمية

السيناريو: يحتاج مشغل شبكة إقليمي إلى دمج التنبؤات من 50 نظام طاقة شمسية كهروضوئية موزعة على الأسطح.

تطبيق الإطار:

1. الطبقة الأساسية (نماذج انحدار المتجه الداعم): تدريب ثلاثة نماذج انحدار متجه داعم لكل موقع (أو نموذج عالمي):
   • SVR_Phys: يستخدم بيانات التنبؤ العددي للطقس (الإشعاع، درجة الحرارة) كميزات أساسية.
   • SVR_TS: يركز على ميزات السلاسل الزمنية (الطاقة المتأخرة، يوم الأسبوع، ساعة اليوم).
   • SVR_Hybrid: يستخدم مجموعة ميزات مجمعة.
2. الطبقة الفائقة (الغابة العشوائية): لساعة مستهدفة غداً، يكون مدخل الغابة العشوائية هو متجه: $\mathbf{z} = [\hat{P}_{SVR\_Phys}, \hat{P}_{SVR\_TS}, \hat{P}_{SVR\_Hybrid}, GHI_{NWP}, Temp_{NWP}, CloudCover_{NWP}]$. تخرج الغابة العشوائية، المدربة على البيانات التاريخية، التنبؤ النهائي الموحد $\hat{P}_{Final}$.
3. المخرج: تنبؤ أكثر دقة ومتانة. قد يكشف تحليل أهمية ميزات الغابة العشوائية أنه في الأيام الملبدة بالغيوم، يحصل النموذج الزمني (SVR_TS) على وزن أقل، بينما يصبح النموذج المستنير بالفيزياء (SVR_Phys) وبيانات الغطاء السحابي في غاية الأهمية.

يوفر هذا الإطار طريقة منهجية وآلية للاستفادة من تنوع النماذج.

7. التطبيقات المستقبلية واتجاهات البحث

تمتد مبادئ هذا العمل إلى ما هو أبعد من التنبؤ الشمسي:

• التنبؤ بطاقة الرياح: تطبيق مباشر باستخدام مجموعات من نماذج التنبؤ بسرعة الرياح المختلفة.
• التنبؤ بالحمل: دمج التنبؤات من نماذج الحمل الاقتصادية القياسية، والسلاسل الزمنية، والتعلم الآلي.
• التنبؤ الاحتمالي: تطوير مجمع الغابة العشوائية لإخراج فترات تنبؤ (مثل استخدام غابات الانحدار الكمي) بدلاً من مجرد تنبؤات نقطية، وهو أمر بالغ الأهمية لعمليات الشبكة الواعية بالمخاطر.
• التكامل مع التعلم العميق: استبدال انحدار المتجه الداعم بـ LSTMs أو محولات الاندماج الزمني كمتعلّمين أساسيين، واستخدام شبكة عصبية كمتعلّم فائق، مدربة من البداية إلى النهاية. البحث في هذا الاتجاه نشط، كما يظهر في أوراق من مؤتمرات رفيعة المستوى مثل NeurIPS وICLR.
• الحوسبة الطرفية للطاقة الشمسية الكهروضوئية الموزعة: نشر إصدارات خفيفة الوزن من إطار المجموعة هذا للتنبؤ في الوقت الفعلي على مستوى العاكس أو المجمع.

يكمن المستقبل في المجموعات الديناميكية والتكيفية التي يمكنها التعلم المستمر وتحديث أوزان الدمج في الوقت شبه الحقيقي مع تدفق البيانات الجديدة وأداء النماذج.

8. المراجع

1. Abuella, M., & Chowdhury, B. (2017). Random Forest Ensemble of Support Vector Regression Models for Solar Power Forecasting. In Proceedings of Innovative Smart Grid Technologies, North America Conference.
2. Hong, T., Pinson, P., & Fan, S. (2016). Global Energy Forecasting Competition 2014. International Journal of Forecasting, 32(2), 896-913.
3. National Renewable Energy Laboratory (NREL). (2023). Solar Forecasting. Retrieved from https://www.nrel.gov/grid/solar-forecasting.html
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199-222.
6. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (مذكور كمثال لأطر التعلم غير الخطية المتقدمة).
7. دراسات حديثة حول الشبكات العصبية البيانية للتنبؤ الزمكاني في أنظمة الطاقة (مثل من وقائع مؤتمر IEEE PES GM).