مع تزايد أهداف تقليل انبعاثات الكربون، يتسارع إنشاء مزارع الرياح البحرية الجديدة بوتيرة مذهلة. ولكن لتحقيق نجاح هذه المزارع، من الضروري وجود توقعات دقيقة للطاقة تُساعد في استقرار الشبكة وإدارة الاحتياطيات وتسهيل التجارة الطاقوية.
رغم أن نماذج التعلم الآلي (Machine Learning) أثبتت أنها قوية في الأداء، إلا أنها تحتاج عادةً إلى كميات كبيرة من البيانات الخاصة بالموقع، وهو ما تفتقر إليه المزارع الجديدة. هنا يأتي دور إطار التعلم العابر (Transfer Learning) المبتكر والذي يقترح تجميع إنتاج الطاقة استنادًا إلى سمات الأرصاد الجوية.
كيف يعمل هذا الإطار؟
بدلاً من تدريب نموذج عام، يقوم النظام بالتنبؤ بفضل مجموعة من النماذج المتخصصة، حيث يتم تدريب كل نموذج في مجموعة معينة. هذه النماذج المدربة مسبقًا تتخصص في أنماط الطقس المختلفة، مما يجعلها تتكيف بسهولة مع المواقع الجديدة وتلتقط ديناميات مناخية قابلة للنقل.
نتائج مثيرة!
تم تقييم هذا الإطار على ثمانية مزارع رياح بحرية، محققًا توقعات دقيقة للغاية مع أقل من خمسة أشهر من البيانات الخاصة بالموقع. بلغت نسبة الخطأ المتوسطة (MAE) 3.52%، مما يثبت أن التوقعات الموثوقة لا تتطلب دورة سنوية كاملة من البيانات.
تطبيقات واسعة
بعيدًا عن توقع الطاقة، يفتح هذا الأسلوب المبتكر فرصًا جديدة في تقييم موارد الرياح في المراحل الأولى، مما يمكن أن يُسرع تطوير المشاريع بشكل كبير ويقلل المخاطر المرتبطة بها.
في الختام، هل تعتقد أن هذا الأسلوب الجديد سيحدث تغييرًا جذريًا في صناعة الطاقة المتجددة؟