التنبؤ الاحتمالي لفترة ما قبل توليد الطاقة الكهروضوئية

مع النمو السريع للطاقة الكهروضوئية (PV) في السنوات الأخيرة؛ فإن استقرار تشغيل النظام وأداء تحليل الطوارئ للنظام وكذلك جودة الطاقة لشبكة الطاقة مهددة بسبب عدم اليقين المتأصل وتقلب الناتج الكهروضوئي، كما أنه من الضروري أن يكون لديك معرفة بخصائص الإخراج الكهروضوئية لإرسال نظام طاقة موثوق به، بيث يُعد التنبؤ بالطاقة الكهروضوئية قبل الوقت دعماً فعالا لتحقيق الإرسال الأمثل.

أهمية التنبؤ الاحتمالي لفترة ما قبل توليد الطاقة الكهروضوئية

في السنوات الأخيرة، تطورت تقنيات توليد الطاقة الجديدة مثل الخلايا الكهروضوئية وطاقة الرياح بسرعة، بحيث تتزايد القدرة الكهروضوئية المركبة باستمرار في جميع أنحاء العالم، ومع ذلك ومع الزيادة التدريجية في تغلغل الكهروضوئية في شبكة الطاقة؛ سيؤدي عدم اليقين المتأصل وتقلب الطاقة الكهروضوئية إلى مخاطر جسيمة على سلامة تشغيل النظام وجودة الطاقة لشبكة الطاقة.

ولاستهلاك أكبر قدر ممكن من الطاقة الكهروضوئية المتصلة بالشبكة الكهربائية بشكل آمن، بحيث يحتاج المشغلون إلى فهم كامل لخصائص خرج الطاقة الكهروضوئية، كما يمكن للتنبؤ بمخرجات الطاقة الكهروضوئية على المدى القصير أن يوفر نتائج التنبؤ لليوم التالي، والتي يمكن أن تكون أساساً مهماً لاتخاذ القرار الأمثل والإرسال الأمثل لأنظمة الطاقة يومياً، كما أنه لا يمكن للتنبؤ بدقة عالية أن يعزز أداء تحليل الطوارئ لنظام الطاقة فحسب؛ بل يعزز أيضاً كفاءة تشغيل النظام بالإضافة إلى تقليل التكلفة التشغيلية.

الطرق المعتمدة للتنبؤ بعملية توليد الطاقة الكهروضوئية

يتم اعتماد طرق التنبؤ الحتمية على نطاق واسع في التنبؤ بالمخرجات الكهروضوئية التقليدية، بحيث يمكن تقسيم هذه الأساليب إلى أربعة أنواع، وهي النماذج الإحصائية ونماذج التعلم الآلي والنماذج المستندة إلى التنبؤ العددي بالطقس (NWP) وأخيراً النماذج القائمة على صور السماء أو السحاب عبر الأقمار الصناعية، بحيث تشمل النماذج الإحصائية بشكل أساسي نماذج الانحدار المتعددة ونماذج السلاسل الزمنية.

كذلك تم تقديم نموذج التنبؤ الكهروضوئي لتصنيف الطقس متعدد المتغيرات (MARS) للظروف الجوية المعقدة في جميع الفصول، بحيث تم اقتراح نموذج (MARS) يعتمد على قياس القدرة السابق و (NWP)، بحيث تم اعتماد نموذج متوسط متحرك متكامل ذاتي الانحدار مع نموذج تنبؤ متغير خارجي (ARMAX)، والذي يسمح بمدخلات الأرصاد الجوية لنموذج السلاسل الزمنية.

أيضاً تم استخدام نموذج مجموعة السلاسل الزمنية للتنبؤ بالطاقة الكهروضوئية قبل اليوم، بحيث تتضمن نماذج التعلم الآلي بشكل أساسي الشبكة العصبية وآلة ناقلات الدعم والتفرعات العشوائية والذاكرة طويلة المدى (LSTM)، وهي منهجية تعتمد على الشبكات العصبية الاصطناعية ومجموعة تمثيلية لتوليد تنبؤات قبل (72) ساعة.

وفيما بعد تم اقتراح نموذج (ANN) القائم على الإدراك الحسي متعدد الطبقات للتنبؤ قبل يوم من الطاقة الكهروضوئية، بحيث اقترحت تنبؤات الطاقة الكهروضوئية بناءً على انحدار ناقل الدعم وإخراج الطاقة الكهربائية الكهروضوئية التاريخي وبيانات الأرصاد الجوية المقابلة، والتي يعتمد نموذج التنبؤ على (ν -SVR) الذي يستخدم للتنبؤ بالطاقة الكهروضوئية لليوم التالي بفاصل (15) دقيقة.

المنهجية المعتمدة لقياس مد تنبؤ الطاقة الكهروضوئية

منهجية المدى القصير الطويل: يمكن لشبكات (LSTM) تخزين الأحداث المهمة بفواصل زمنية طويلة نسبياً وتأخيرات في السلاسل الزمنية، وبالمقارنة مع الشبكات العصبية الشائعة؛ فإن (LSTM) أكثر قابلية للتكيف في التنبؤ والتحليل قصير المدى وقصير المدى للغاية، أما (LSTM) هو نوع من الشبكات العصبية التقليدية المتكررة (RNN)، بحيث يظهر هيكل (RNN) في الشكل التالي (1).

حيث أن (xt) هو متغير الإدخال و (ht) هو متغير الإخراج، كما أنه يمكن اعتبار (RNN) نسخاً متعددة من نفس الشبكة العصبية، بحيث تمرر كل وحدة شبكة عصبية الرسالة إلى التالية، ونظراً لخصائص الارتباط الخاصة بـ (RNN)، بحيث يتمتع هذا النموذج بمزايا في معالجة بيانات السلاسل الزمنية، ومع ذلك يمكن لـ (RNN) التقليدية فقط حفظ المعلومات قصيرة المدى وربطها بمعلومات الإدخال الجديدة وعدم امتلاك القدرة على تذكر معلومات المسافات الطويلة.

أيضاً تم تحسين أداء (LSTM) في التحكم في حالة التخزين بشكل كبير مقارنة بأداء (RNN) التقليدي، بحيث تتكون شبكة (LSTM) من وحدة أو أكثر من وحدات (LSTM)، كما يظهر هيكل كل وحدة (LSTM) في الشكل التالي (2).

متوسط الانحدار الكمي: في معظم الدراسات، توفر نماذج التنبؤ الاحتمالي اللامعلمي كثافة الاحتمال أو الفاصل الزمني للتنبؤ للإخراج الكهروضوئي من خلال (QR) أو أساليب التعلم الآلي بناءً على وظيفة فقدان الكرة والدبابيس، ومع ذلك نادراً ما ترتبط نماذج التنبؤ الحتمية والاحتمالية ببعضها البعض. في المراجع، بحيث يتم تطبيق خوارزمية (QR) المعدلة لتجميع عدة نماذج التنبؤ الحتمية المستقلة لنموذج التنبؤ الاحتمالي، حيث أن هذه الطريقة تسمى (QRA).

وأخيراً في هذه الدراسة؛ فإنه يُقترح نموذج تنبؤ احتمالي غير معلمي قائم على (LSTM-QRA) للطاقة الكهروضوئية، بحيث يتم تدريب مجموعة من نماذج التنبؤ الحتمية (LSTM) المستقلة باستخدام البيانات الكهروضوئية التاريخية وبيانات التنبؤ العددي بالطقس، كما يتم إنشاء التنبؤ الاحتمالي اللامعلمي من خلال دمج نماذج التنبؤ (LSTM) المستقلة مع (QRA).