نظرة عامة
تنبؤ قصير المدى بقدرة الرياح لتوربين واحد، مع مقارنة استراتيجيتين: (1) نموذج LSTM مباشر يتنبأ بالقدرة الخارجة، و(2) مسار غير مباشر LSTM → الغابة العشوائية (Random Forest)، يتنبأ فيه نموذج LSTM بخصائص الطقس ثم تحوّلها الغابة العشوائية إلى قدرة. يغطي المسار المعالجة المسبقة والتدريب والتقييم والرسوم البيانية للطريقتين.
الدافع
التنبؤ الدقيق بقدرة الرياح أمر حاسم لاستقرار الشبكة الكهربائية وتخطيط الطاقة. يحتاج مشغّلو الشبكة إلى معرفة مقدار القدرة التي ستنتجها التوربينات في الساعات القادمة. يستخدم هذا المشروع بيانات توربين متاحة للعموم لاختبار ما إذا كان تقسيم المسألة إلى جزأين (التنبؤ بالطقس، ثم تحويل الطقس إلى قدرة) يتفوق على التنبؤ بالقدرة مباشرة.
المنهجية التقنية
- مجموعة البيانات: بيانات توربين رياح بمعدل ساعي (
Active Power،Wind Speed،Wind Direction،Power Curve) - المعالجة المسبقة:
- إعادة أخذ العينات على فترات ساعية
- معالجة القيم المفقودة بالتعبئة الأمامية/الخلفية
- تقييس القيم باستخدام
MinMaxScaler
- مساران للتنبؤ:
- المباشر: LSTM → القدرة
- غير المباشر: LSTM → الخصائص → الغابة العشوائية → القدرة
- النمذجة:
- LSTM: نموذج Keras Sequential من طبقتين مع الإيقاف المبكر (early stopping) ومنحنيات التعلّم
- RF: نموذج scikit-learn من 50 شجرة يستخدم الخصائص التي تنبأ بها LSTM
- مقاييس التقييم: MAE، RMSE، R²، IA، SDE، MAPE
- التمثيل البصري:
- منحنيات القيم الفعلية مقابل المتنبأ بها
- توزيعات الخصائص و ACF/PACF
- الخرائط الحرارية للارتباط ومنحنيات التعلّم
مسار العمل
- مسار واحد قابل للضبط يشغّل الطريقتين من البداية إلى النهاية
- تُحسب المقاييس بعد عكس التقييس، فتكون بوحدة kW
- تُحفظ النماذج والرسوم والمقاييس لكل تشغيل
- أدوات مشتركة للتقييس وتقسيم البيانات وبناء تسلسلات الإدخال
النتائج والاستنتاجات
| الطريقة | MAE | RMSE | R² | IA | SDE | MAPE |
|---|---|---|---|---|---|---|
| LSTM المباشر | 231.81 | 375.24 | 0.9261 | 0.9805 | 374.72 | 288.02 |
| غير المباشر (LSTM → RF) | 429.12 | 720.31 | 0.7278 | 0.9170 | 711.10 | 1017.82 |
قيم MAE و RMSE و SDE بوحدة kW؛ و MAPE بالنسبة المئوية.
- نموذج LSTM المباشر يتفوق في كل المقاييس. قيمة RMSE له تساوي نحو نصف قيمتها في المسار ذي المرحلتين.
- الأخطاء تتراكم في المسار ذي المرحلتين. دُرّبت الغابة العشوائية على خصائص الطقس الحقيقية لكنها تستقبل الخصائص التي تنبأ بها LSTM، فتنتقل أخطاء LSTM مباشرة إلى تقدير القدرة.
- MAPE ليس مقياسًا منصفًا هنا. كثيرًا ما ينتج التوربين قدرة قريبة من الصفر، والقسمة على قيم قريبة من الصفر تضخّم الخطأ النسبي المئوي (288% حتى للنموذج الأفضل). MAE و RMSE هما الرقمان الجديران بالثقة.
أمثلة على المخرجات: منحنيات التعلّم
| LSTM المباشر | LSTM غير المباشر |
|---|---|
![]() | ![]() |
أمثلة على المخرجات: الفعلي مقابل المتنبأ به (مجموعة الاختبار)
| LSTM المباشر | RF غير المباشر |
|---|---|
![]() | ![]() |
الخطوات التالية
خطوات تالية تستحق التجربة: استخدام توقعات طقس حقيقية كمدخلات بدلًا من المتنبأ بها، ومقياس يتعامل مع القدرة الصفرية (مثل MAE المُطبَّع، normalised MAE)، وتنبؤات احتمالية تعطي نطاقًا بدلًا من قيمة واحدة.




