خوارزميات تجميع الأشجار القرار في الوقت شبه الحقيقي لتوقع الإشعاع الشمسي قصير المدى جداً

تنتقل الأنشطة الصناعية نحو تقليل الكربون، مع التركيز على مصادر الطاقة المتجددة، لا سيما الطاقة الشمسية الكهروضوئية. ومع ذلك، فإن التغير العالي الفطري للطاقة الكهروضوئية يفرض تحديات. يمكن معالجة بعضها جزئيًا من خلال توقع إنتاج الكهرباء، والذي يعتمد في حالة الطاقة الشمسية الكهروضوئية بشكل كبير على توقع الإشعاع الشمسي. على الرغم من أنه تم إجراء أبحاث واسعة في هذا المجال، إلا أن هناك فجوة ملحوظة في الأبحاث المتعلقة بالتوقعات قصيرة المدى جداً (داخل الدقيقة) في سيناريوهات ذات تغيرات عالية. في هذا الاقتراح، تم استخدام بيانات حقيقية من محطة طاقة شمسية كهروضوئية في ألدويرفيل (كندا) لتوقع الإشعاع بأفق زمني يبلغ 15 و30 ثانية. الهدف هو إجراء هذا التوقع في الوقت شبه الحقيقي. لتحقيق ذلك، نقترح استخدام خوارزميات التعلم الآلي المستندة إلى تجميع الأشجار القرار، نظرًا لانخفاض تكلفة تدريبها الحاسوبية وفعاليتها المعروفة. من ناحية أخرى، نقترح معالجة البيانات من خلال تحليل الارتباط الزمني والمكاني بين قياسات من مستشعرات مختلفة. يسمح تحليل اختيار الميزات لنا بتحديد اتجاه الرياح وبالتالي تحديد الألواح الأكثر صلة بتدريب النموذج. تعزز هذه المعالجة السابقة إعادة تدريب النموذج دون الحاجة إلى معلومات خارجية مثل صور السماء أو سرعة الرياح واتجاهها في الأيام ذات التغطية السحابية المتغيرة بشكل كبير. تقدم المنهجية المقدمة نتائج واعدة مع تقليل أوقات التدريب بشكل كبير، مما يوضح ملاءمة هذا النهج التدريبي شبه المتصل لتوقعات السلاسل الزمنية ذات التغير العالي.