في خطوة علمية مبتكرة، استخدم باحثون من جامعة Valencia Polytechnic في إسبانيا الخوارزميات الجينية لتحسين شبكات عصبية اصطناعية تُعرف باسم Feedforward Artificial Neural Networks (FF-ANNs)، وذلك بهدف التنبؤ بدقة بإنتاج أنظمة الطاقة الشمسية الكهروضوئية ، تُعد هذه الطريقة الجديدة نقلة نوعية في مجال توقع إنتاج الطاقة المتجددة، خاصة مع التحديات الكبيرة التي تواجهها الأنظمة غير الخطية المعقدة.
ما هي الخوارزميات الجينية وكيف تعمل؟
الخوارزميات الجينية (Genetic Algorithms GAs) هي تقنيات تحاكي عملية الانتقاء الطبيعي، حيث تبدأ بحلول أولية تُعرف باسم “الآباء”، ثم تولد “أبناء” تُعد حلولًا محسنة للمشكلة. تستمر هذه العملية عبر أجيال متتالية حتى يتم الوصول إلى الحل الأمثل. في هذه الدراسة، تم استخدام الخوارزميات الجينية لتحسين معاملات الشبكة العصبية الاصطناعية، مثل عدد الخلايا العصبية، ودوال النقل، والأوزان، والانحيازات.
التحديات التي تواجه توقع إنتاج الطاقة الشمسية
توقع إنتاج الطاقة الشمسية مهمة معقدة بسبب التقلبات الكبيرة في مصادر الطاقة المتجددة وتعقيد الأنظمة غير الخطية. هنا يأتي دور الشبكات العصبية الاصطناعية ذات التدفق الأمامي ، التي تعالج المعلومات في اتجاه واحد من طبقة الإدخال إلى طبقة الإخراج، دون وجود حلقات تغذية مرتدة.
النتائج المذهلة للدراسة
تم اختبار النموذج المقترح على بيانات حقيقية من نظام طاقة شمسية مثبت على سطح مبنى في مدينة فالنسيا، يتكون من 12 لوحًا شمسيًا من نوع monocrystalline بقدرة 350 واط. تم جمع البيانات من مايو 2021 إلى أبريل 2022، حيث تم استخدام 70% من البيانات للتدريب، و15% للاختبار، و15% للتحقق.
أظهرت النتائج أن النموذج الجديد تفوق على الطرق التقليدية مثل Multiple Linear Regression (MLR) وNonlinear Autoregressive (NAR) ، على سبيل المثال بلغت أقل قيمة لخطأ الجذر التربيعي المتوسط 13.4 واط عند استخدام بيانات شهرية لشهر مارس، و31.8 واط للتنبؤ ببيانات موسمية لشهر فبراير، و15.6 واط للتنبؤ ببيانات سنوية لشهر أغسطس.
مقارنة مع أحدث الطرق العالمية
تمت مقارنة النموذج الجديد مع ثماني طرق حديثة أخرى مثل QT-MARF، RNN-LSTM، وCNN-GRU ، في جميع الحالات، تفوق النموذج المقترح من حيث دقة التنبؤ، حيث حقق خطأ الجذر التربيعي المتوسط بقيمة 20 واط.
الخلاصة
تفتح هذه الدراسة آفاقًا جديدة في مجال توقع إنتاج الطاقة الشمسية، مما يسهم في تحسين كفاءة أنظمة الطاقة المتجددة. يمكن الاطلاع على الدراسة بتفاصيلها من هنا
