| المستخلص: |
تقدم هذه الرسائل مراجعة للطرق الحديثة للتنبؤ بالجيل المستقبلي من الطاقة الشمسية وطاقة الرياح من خلال نماذج الشبكات العصبية الاصطناعية في الظروف البيئية المتقلبة، تتمثل الفكرة الرئيسية في استخدام البيانات التاريخية من مزارع الخلايا الشمسية وتور بينات الرياح لتدريب النماذج باستخدام بيانات التدريب التي يتم إجراؤها لفترات مختلفة. وهذا يتطلب بناء نماذج باستخدام الذكاء الاصطناعي (AI) وكذلك باستخدام شبكة عصبية اصطناعية (ANN) ولتحقيق ذلك قمنا ببناء نموذجين هي Feedforward Multi-Layer ANN وElman Feedback Multi-Layer ANN. استخدم هذا البحث الذكاء الاصطناعي (AI) لقدرته على التعامل مع المعادلات الرياضية المعقدة في الظروف القاسية، نظرا لموثوقيتها، ودقتها العالية، وإمكانية التنبؤ بها من خلال التدريب على البيانات التاريخية، يتم توقع أربعة نماذج لفترات مختلفة لتوليد الطاقة على مرحلتين. المرحلة الأولى: عملية التدريب على البيانات التاريخية لمدة شهر والتنبؤ بها لمدة يوم واحد في المستقبل يطبق على النماذج الأربعة السابقة وإيجاد أفضل نموذج لشبكة ANN للتنبؤ بكمية توليد الطاقة بحيث يتم أخذ النموذج الذي يتنبأ بكمية توليد الطاقة بدقة عالية وأفضل أداء وأقل معدل خطأ من بين النموذجين ثم ننتقل إلى المرحلة الثانية. المرحلة الثانية: إنها مرحلة تدريب على البيانات لمدة شهر والتنبؤ لمدة سبع أيام بشكل تدريجي لإيجاد أفضل أداء ولتقليل الحد الأدنى من الأخطاء المرتبطة بالتنبؤ بحمل الطاقة الكهربائية من أجل تقديم تقرير دقيق للغاية للتنبؤ بكمية توليد الطاقة في المستقبل في تاريخ محدد ليوم محدد بعد أسبوع أو شهر أو سنة، من أجل الموثوقية والتكامل الفعال للشبكة لإيجاد حلول لمعالجة أزمة الطاقة، وبالتالي خفض التكلفة المالية في المنطقة بسبب استيراد النفط والغاز لإنتاج حمولة الكهرباء. علاوة على ذلك، للحد من التلوث البيئي للحد من النفايات من استخراج النفط والغاز والفحم، هناك فائدة أخرى هي وجود الخلايا الشمسية لخدمة بعض المناطق بالطاقة الكهروضوئية، هذه إحدى الفوائد عندما نعرف استهلاك المنطقة بدقة. توفر الشركة الكهربائية هذه المنطقة بشكل أفضل إما عن طريق زيادة الخلايا الشمسية وتور بينات الرياح أو زيادة واردات الغاز وتجنب فصل الكهرباء وتوفير الصفقات والحفاظ على كمية الاستيراد للغاز لتوليد الطاقة، تمكن النموذجين المقترحين لهذا العمل من تقديم نتائج أفضل من الأعمال السابق (Idris Khana, Honglu Zhua, ET al. 2017, Luis Carlos Parra Raffan, Andres Romero, ET al. 2018) بدقة تصل إلى 96.6%.
|
