منبئ طاقة شمسية ضوئية عالمي جديد باستخدام مصنف بايز الساذج

1. المقدمة

تمثل الطاقة الشمسية واحدة من مصادر الطاقة المستدامة النظيفة والأكثر اقتصاداً على مستوى العالم. ومع ذلك، فإن إنتاجها غير قابل للتنبؤ إلى حد كبير بسبب اعتمادها على الطقس والفصول والظروف البيئية. تقدم هذه الورقة منبئاً عالمياً للطاقة الشمسية الضوئية باستخدام مصنف بايز الساذج للتنبؤ بإجمالي الطاقة اليومية المُنتجة من المنشآت الشمسية.

يتناول البحث الحاجة المُلحة للتنبؤ الدقيق بالطاقة الشمسية لتحسين كفاءة أنظمة الطاقة. مع توقع وصول إنتاج الكهرباء إلى 36.5 تريليون كيلوواط/ساعة بحلول عام 2040، ونمو إنتاج الطاقة الشمسية بنسبة 8.3% سنوياً، تزداد أهمية أساليب التنبؤ الموثوقة لتخطيط وإدارة الطاقة.

2. المسح الأدبي

استكشف البحث السابق طرقاً متنوعة للتنبؤ بالطاقة الشمسية. استخدم كريلا وآخرون وإبراهيم وآخرون غابات القرار العشوائية والشبكات العصبية الاصطناعية ومناهج قائمة على خوارزميات اليراعة للتنبؤ بالإشعاع الشمسي العالمي، محققين أخطاء تحيز تتراوح بين 2.86% إلى 6.99%. استخدم وانغ وآخرون تقنيات الانحدار المتعدد بنسب نجاح متفاوتة.

تعتمد الطرق التقليدية غالباً على المعرفة الخبيرة في المجال، وهو ما يصبح غير عملي لضبط النظام المستمر. تقدم منهجيات تعلم الآلة إمكانية التعلم الآلي للعلاقات الارتباطية بين الظروف البيئية وإنتاج الطاقة من البيانات التاريخية.

3. المنهجية

4. النتائج التجريبية

5. التحليل الفني

6. التطبيقات المستقبلية

يتمتع المنبئ العالمي للطاقة الشمسية الضوئية بعدة تطبيقات واعدة:

• تكامل الشبكة الذكية: التنبؤ بالطاقة في الوقت الفعلي لموازنة الشبكة وإدارة استجابة الطلب
• تحسين اختيار الموقع: تقييم قائم على البيانات للمواقع المحتملة للمنشآت الشمسية الجديدة
• جدولة الصيانة: الصيانة التنبؤية بناءً على أنماط إنتاج الطاقة المتوقعة مقابل الفعلية
• تداول الطاقة: تحسين التنبؤ لأسواق الطاقة الشمسية ومنصات التداول
• تصميم النظام الهجين: تحسين أنظمة الطاقة الشمسية-الرياح-التخزين الهجينة من خلال توقعات الإنتاج الدقيقة

يجب أن تستكشف اتجاهات البحث المستقبلية:

1. تكامل صور الأقمار الصناعية وشبكات مستشعرات إنترنت الأشياء لتحسين جودة البيانات
2. تطوير نماذج التعلم بالنقل للتكيف الجغرافي
3. أنظمة التنبؤ في الوقت الفعلي بقدرات الحوسبة الطرفية
4. الجمع مع خوارزميات تحسين تخزين الطاقة
5. التطبيق في إدارة الشبكات الصغيرة وموارد الطاقة الموزعة

7. المراجع

1. International Energy Agency. (2021). World Energy Outlook 2021. Paris: IEA Publications.
2. Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez-de-Pison, F. J., & Antonanzas-Torres, F. (2016). Review of photovoltaic power forecasting. Solar Energy, 136, 78-111.
3. Wang, H., Lei, Z., Zhang, X., Zhou, B., & Peng, J. (2019). A review of deep learning for renewable energy forecasting. Energy Conversion and Management, 198, 111799.
4. National Renewable Energy Laboratory. (2020). Solar Forecasting Benchmarking. Golden, CO: NREL Technical Report.
5. Creayla, C. M., & Park, S. Y. (2018). Solar radiation prediction using random forest and firefly algorithm. Renewable Energy, 125, 13-22.
6. Ibrahim, I. A., Khatib, T., & Mohamed, A. (2017). A novel hybrid model for hourly global solar radiation prediction using random forests technique and firefly algorithm. Energy Conversion and Management, 138, 413-425.
7. Wang, Z., & Srinivasan, R. S. (2017). A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, 75, 796-808.
8. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. (For foundational machine learning concepts)
9. NASA Prediction of Worldwide Energy Resources (POWER). (2022). Data Access Guide. Greenbelt, MD: NASA Goddard Space Flight Center.
10. European Commission. (2020). Photovoltaic Geographical Information System (PVGIS). JRC Technical Reports.