تنبؤ طاقة الرياح باستخدام وحدات الركيزة المتكررة ذات الاتجاهين بالتوازي مع تحليل الوضع التجريبي والشبكات العصبية البايزية

لمعالجة التحديات التشغيلية لأنظمة الطاقة ذات التداخل العالي للطاقة المتجددة، تستهدف هذه الدراسة عدم الثبات والعشوائية في طاقة الرياح. يتم اقتراح إطار هجيني جديد للتنبؤ الاحتمالي وتقييم المخاطر. في البداية، يقوم تحليل الوضع التجريبي (EMD) بتفكيك إشارة الطاقة الخام بشكل تكيفي إلى وظائف الوضع الداخلي متعددة المقاييس (IMFs) واتجاه متبقي، مما يحقق فصل الميزات الزمنية وتقليل التعقيد. ثم يتم دمج هذه المكونات مع البيانات التاريخية لتشكيل مدخل شامل. المتنبئ الأساسي هو شبكة وحدة متكررة ذات اتجاهين (BiGRU) معززة بآلية انتباه زمني (TA). تلتقط BiGRU التبعيات طويلة المدى ذات الاتجاهين، بينما تركز آلية TA ديناميكيًا على أكثر خطوات الوقت التاريخي تأثيرًا، مما يمكّن من استخراج أنماط زمنية دقيقة. لتQuantify عدم اليقين، يتم دمج طبقة الشبكات العصبية البايزية (BNNs)، التي تحول التنبؤات النقطية الحتمية إلى مخرجات احتمالية مع فترات للتنبؤ. أخيرًا، بالاستفادة من هذه التنبؤات الاحتمالية، يتم تطبيق مقياس القيمة عند المخاطر (VaR) لتقييم المخاطر التشغيلية المحتملة تحت مستويات ثقة محددة، وتحويل عدم اليقين إلى موثوقية قابلة للقياس أو مخاطر مالية. تؤكد نتائج المحاكاة تفوق الإطار، محققة خطأ الجذر التربيعي المعدل (nRMSE) بنسبة 15.73٪ وخطأ المعدل المطلق المعدل (nMAE) بنسبة 10.94٪، مما يتجاوز بكثير المعايير المرجعية. يعزز الدمج المبتكر لمعالجة الإشارات، والتعلم العميق المدروس، والاستدلال البايزي، ونظرية المخاطر ضمن نموذج موحد دقة التنبؤ، ويقيس عدم اليقين، ويمكّن من تقييم المخاطر بشكل استباقي، مما يوفر دعم قرارات قوي لإدارة الشبكة والتكامل المتجدد.