تقارير الطاقة المتجددة رئيسية طاقة متجددة

التعلم الآلي.. تقنية تتنبأ بهدر الكهرباء نتيجة تلوث الألواح الشمسية

محمد عبد السند

2023-07-29

1 8٬079

التعلم الآلي يمكنه التنبؤ بهدر الكهرباء — ألواح شمسية يتراكم عليها الغبار - الصورة من today.appstate.edu

التعلم الآلي وسيلة فاعلة للتنبؤ بالهدر الكهربائي نتيجة تلوث الألواح الشمسية
توجّه قوي عالمي لاستعمال الكهرباء النظيفة المولدة بالطاقة المتجددة
النماذج المادية التي استعملت بيانات ميدانية حققت أعلى مستوى من الدقة
كفاءة نماذج التعلم الآلي تعتمد على توافر البيانات البيئية التي جُمعت بالأقمار الصناعية
يزداد تلوث الألواح الشمسية في المناطق الجافة التي يكثر فيها الغبار

يبرز التعلم الآلي وسيلة فاعلة في التنبؤ بهدر الكهرباء الناجم عن تلوث أسطح الألواح الشمسية، لا سيما في المناطق ذات الطقس الجاف، التي يكثر فيها الغبار والرمال في الهواء.

ويمثّل هذا الهدر مُعضلة كبرى لمصنّعي الألواح الشمسية، ومشغّلي أنظمة الطاقة الشمسية؛ لتأثيرها في الإنتاج والأرباح على حدّ سواء.

ويتزايد إقبال العديد من حكومات العالم -حاليًا- على توليد الكهرباء النظيفة المستدامة بالطاقة المتجددة، التي يُعوّل عليها لتخلف المصادر التقليدية، ممثلةً في الوقود الأحفوري الملوّث للبيئة، في إطار الالتزامات المناخية لتلك الدول، اتّساقًا مع بنود اتفاقية باريس 2015.

وتفرض ظروف الطقس السيئة الجافة التي يكثر فيها الغبار في المناطق التي يزداد فيها معدل الإشعاع الشمسي، تحديات عدّة لأداء الألواح الشمسية، وفق ما أورده موقع إنرجي بورتال. إي يو EnergyPortal.eu المتخصص.

التنبؤ بهدر الكهرباء

من الممكن أن يقود الغبار وتراكم الأوساخ والمواد الأخرى التي تعلق على سطح الألواح الشمسية إلى هدر الكهرباء المولدة بالطاقة الشمسية، ومن ثم انخفاض في الإيرادات المتحققة من قبل مشغّلي أنظمة الطاقة الشمسية.

ويُعدّ التنبؤ الدقيق بذلك الهدر على المديين القصير والطويل مسألة في غاية الأهمية بالنسبة لمطوري مشروعات الطاقة الشمسية ومشغّلي تلك الأنظمة بوجه عام؛ ما مهّد الطريق أمام ظهور تقنية التعلم الآلي.

ويشير التعلم الآلي Machine learning إلى فرع من فروع الذكاء الاصطناعي وأحد علوم الحاسوب، وهو تقنية علم البيانات التي تتيح لأجهزة الحاسوب استعمال البيانات الموجودة للتنبؤ بالسلوكيات والنتائج والاتجاهات المستقبلية.

ولمواجهة معضلة هدر الكهرباء المذكورة، أجرت مجموعة من العلماء من جامعة قبرص دراسة بحثية لتقييم النماذج المختلفة المُستعملة للتنبؤ بخسائر الكهرباء الناتجة عن تلوث أسطح الألواح الشمسية في ظروف الطقس الجافة.

وقارن الباحثون النتائج التي تحققت من نماذج مختلفة مع بيانات هدر الكهرباء جراء تلوث الألواح الشمسية، والتي حُصِلَ عليها من منشآت اختبار في قبرص.

واستعملت النماذج التي خضعت للتقييم إستراتيجيات مختلفة، من بينها أجهزة استشعار في المواقع، وبيانات مناخ تاريخية، وبيانات طقس محلية، إضافة إلى التصوير عبر الأقمار الصناعية.

ألواح شمسية تتراكم عليها الثلوج والأوساخ - الصورة من ratedpower

النماذج الآلية

استهدف الباحثون مقارنة دقة النماذج المادية بنماذج التعلم الآلي في التنبؤ بهدر الكهرباء الناجم عن تلوث الألواح الشمسية.

وأظهرت نتائج التقييم أن النماذج المادية التي استعملت بيانات ميدانية قد حققت أعلى مستوى من الدقة.

وبلغت نسبة الأخطاء في تلك النماذج 1.16% بالنسبة للهدر اليومي في الكهرباء، في حين بلغت تلك النسبة 0.83% بالنسبة للهدر الشهري في كمية الكهرباء.

ولامست نسبة الأخطاء 1.55% في الهدر اليومي في كمية الكهرباء، في نموذج كات بوست CatBoost ، مقابل 1.18% في الهدر الشهري.

وبينما أظهرت النماذج المادية ميزة طفيفة في الدقة، حققت إستراتيجيات التعلم الآلي نتائج واعدة.

وفي هذا الصدد، لاحظ الباحثون أن نماذج التعلم الآلي التي تستعمل بيانات بيئية وجُمِعَت عبر الأقمار الصناعية، من الممكن أن تصبح أداة مفيدة في التنبؤ بهدر الكهرباء الناجم عن تلوث الألواح الشمسية في المناطق التي تكون فيها البيانات الميدانية محدودة.

التشغيل والصيانة

من الممكن أن تساعد تلك الإستراتيجية في جدولة إستراتيجيات التشغيل والصيانة، بما يقلّل هدر الكهرباء، لا سيما في المناطق الجافة التي يكثر فيها الغبار والرمال، ويندر فيها هطول الأمطار.

وتسلّط الدراسة الضوء على أهمية التنبؤ الدقيق بهدر الكهرباء الناجم عن تلوث الألواح الشمسية في أنظمة الطاقة الشمسية.

فعبر استعمال نماذج التعلم الآلي المدعومة ببيانات جُمعت بالأقمار الصناعية، يستطيع المشغّلون اتخاذ القرارات السليمة فيما يتعلق بجدولة تنظيف الألواح الشمسية، وتحسين أداء أنظمتها.

وتقدّم تلك النماذج أداة قيمة لمطوري مشروعات الطاقة الشمسية ومشغّلي تلك الأنظمة؛ ما يساعد على تعظيم الإيرادات، وضمان كفاءة تركيبات الطاقة الشمسية في البيئات التي تمتلئ بالتحديات، على المدى الطويل.

شروط الكفاءة

من المهم ملاحظة أن فاعلية نماذج التعلم الآلي وكفاءتها تعتمد على توافر البيانات البيئية التي جُمعت بالأقمار الصناعية.

وعلاوة على ذلك، تبرز أهمية البحوث المتواصلة والتطورات التي تشهدها تقنية التصوير عبر الأقمار الصناعية، بالنسبة لتعزيز تحسين دقة تلك النماذج.

وبوجه عام، تؤكد الدراسة أهمية إمكان التعلم الآلي في التنبؤ بهدر الكهرباء الناجم عن تلوث الألواح الشمسية في أنظمة الطاقة الشمسية.

ومع استمرار الطاقة الشمسية في النمو يومًا تلو الآخر، بصفتها مصدرًا حيويًا للكهرباء المتجددة، تؤدي التطورات في تلك التكنولوجيا -من بينها التعلم الآلي- دورًا حاسمًا في تعظيم كفاءة وربحية التركيبات الشمسية؛ ما يعود بالنفع في النهاية على كل من المُصنع والمستهلك.

موضوعات متعلقة..

اقرأ أيضًا..