إستخدام التعلم الآلي للطاقة الشمسية المستدامة: تقنيات لتعزيز التوليد والإدارة

نوع المستند : Original Article

المؤلفون

1 مخبر الشبكات والأنظمة الموزعة، قسم علوم الحاسوب، كلية العلوم، جامعة سطيف 1 - الجزائر

2 كلية الاقتصاد، جامعة البشير الإبراهيمي - برج بوعريريج

3 قسم علوم الحاسوب، كلية العلوم، جامعة سطيف 1 – الجزائر

المستخلص

تقدم الورقة  التي بين ايدينانموذج ذاكرة طويلة قصيرة الأجل (LSTM) للتنبؤ بتوليد وإدارة الطاقة الشمسية، بهدف تحسين موثوقية وكفاءة أنظمة الطاقة الشمسية بشكل كبير. يُعد LSTM، وهو نوع من الشبكات العصبية المتكررة، حيث يكون  مناسباً للتعامل مع بيانات السلاسل الزمنية المعقدة واستيعاب التبعيات طويلة الأجل، مما يجعله أداة فعالة للتنبؤ بتقلبات توليد الطاقة الشمسية الناتجة عن التغيرات المناخية الموسمية وتغيرات الطقس اليومية. من خلال استخدام بيانات الطقس التاريخية ومستويات الإشعاع الشمسي وبيانات الإنتاج الشمسي السابقة، يتنبأ نموذج LSTM بتوليد الطاقة الشمسية على المدى القصير والمتوسط، مما يسمح بتحسين إدارة الطاقة الشمسية وتكامل أفضل مع الشبكة الكهربائية. يساعد هذا النموذج الذكي في معالجة تحديات موازنة العرض والطلب على الطاقة، وتقليل الاعتماد على الوقود الأحفوري، وتعزيز استدامة مصادر الطاقة المتجددة. وتشير النتائج إلى أن نموذج التنبؤ المستند إلى LSTM يحقق دقة عالية، مما يقلل بشكل كبير من أخطاء التنبؤ مقارنة بالطرق التقليدية، وبالتالي يدعم استراتيجيات إدارة الطاقة الشمسية بكفاءة أعلى واستدامة أكبر.

الكلمات الرئيسية

ملفات

شارك

إرسال الاستشهاد إلى

الإحصائيات