تصنيف أعطال الأنظمة الشمسية الكهروضوئية: إطار هجين يجمع التجميع الضبابي والتعلم العميق

تعد الأنظمة الكهروضوئية من أبرز مصادر الطاقة البديلة التي أثبتت جدواها في توليد الكهرباء النظيفة، غير أن هذه الأنظمة تتعرض لجملة من الأعطال التي تتسبب في فقدان جزء من الطاقة المنتجة وانخفاض كفاءة التشغيل، ويظل تشخيص هذه الأعطال في الوقت المناسب تحديًا تقنيًا قائمًا، إذ تعتمد الأساليب التقليدية على الفحص اليدوي أو الخوارزميات القائمة على قواعد ثابتة، وهي أساليب محدودة الكفاءة ولا تناسب التطبيقات التي تتطلب الاستجابة في الزمن الحقيقي، ومن هنا تنبع أهمية تطوير أنظمة تصنيف ذكية قادرة على رصد الأعطال وتصنيفها بدقة وسرعة في ظل ظروف تشغيل متغيرة

وتكتسب هذه القضية أهمية متزايدة لدى الباحثين وطلاب الدراسات العليا في مجالات الطاقة المتجددة والذكاء الاصطناعي، فمع توسع انتشار محطات الطاقة الشمسية وازدياد الاعتماد عليها في مزيج الطاقة، تصبح الحاجة ملحة إلى حلول آلية للصيانة التنبؤية تقلل كلف التوقف عن العمل وترفع موثوقية المحطات، كما يفتح الدمج بين تقنيات التجميع غير الخاضع للإشراف ونماذج التعلم العميق بابًا واسعًا أمام البحوث التطبيقية التي تجمع بين هندسة الطاقة وعلوم البيانات

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى اقتراح نظام تصنيف ذكي هجين للكشف عن أعطال الأنظمة الكهروضوئية وتصنيفها، وذلك بدمج خوارزمية التجميع الضبابي بالمتوسطات مع تقنيات التعلم العميق، واعتمدت الدراسة على مجموعة بيانات ضخمة تضم 102400 عينة جُمعت من نظام شمسي حقيقي بقدرة 10 كيلوواط يعمل في ظروف إشعاع شمسي متغيرة تراوحت بين 600 و1000 واط لكل متر مربع، ودرجات حرارة تراوحت بين 25 و40 درجة مئوية، واستُخدمت تقنية التجميع الضبابي لتحسين الخصائص المستخرجة من البيانات عبر تجميع دوال العضوية، ثم وُظفت الخصائص الناتجة في تدريب أربعة نماذج للتعلم العميق هي المدرك متعدد الطبقات، وشبكات الذاكرة طويلة قصيرة المدى، ونسختها ثنائية الاتجاه، ووحدة البوابة المتكررة، وقُيم أداء النماذج المقترحة باستخدام مقاييس التصنيف المعروفة ومصفوفات الالتباس

ثانيًا: أبرز النتائج

1، حقق النموذج الهجين الذي يجمع التجميع الضبابي مع وحدة البوابة المتكررة أفضل أداء بين النماذج المختبرة، إذ بلغت دقة التصنيف 91.13 في المئة في الكشف عن أعطال النظام الشمسي وتصنيفها

2، سجل النموذج الأفضل قيمة دقة إيجابية قدرها 0.79 وقيمة استدعاء قدرها 0.76، بينما بلغت درجة إف واحد 0.78، وهي قيم تعكس توازنًا جيدًا بين صحة التنبيهات وشمولها لأنواع الأعطال المختلفة

3، أظهرت النتائج أن توظيف التجميع الضبابي في مرحلة تحسين الخصائص قبل التدريب أسهم في رفع جودة تمثيل البيانات، بما انعكس إيجابًا على أداء نماذج التعلم العميق في مهمة التصنيف

4، أكدت النتائج مجملًا فاعلية الإطار الهجين المقترح في تحسين أداء تصنيف الأعطال في بيئات تشغيل متنوعة، متفوقًا بذلك على الأساليب التقليدية اليدوية والقائمة على القواعد الثابتة

ثالثًا: دلالات الدراسة وتطبيقاتها

تحمل هذه النتائج دلالات تطبيقية مهمة لمشغلي محطات الطاقة الشمسية ومهندسي الصيانة، إذ يتيح التصنيف الآلي الدقيق للأعطال التدخل المبكر قبل تفاقم الخلل وتحوله إلى خسائر كبيرة في الإنتاج، كما يدعم الانتقال من الصيانة الدورية التقليدية إلى الصيانة التنبؤية المعتمدة على البيانات، وعلى الصعيد البحثي يقدم الإطار الهجين نموذجًا قابلًا للتعميم على أنظمة طاقة أخرى تواجه تحديات مشابهة في رصد الأعطال، ويشجع طلاب الدراسات العليا على استكشاف مزج الخوارزميات الضبابية مع البنى العصبية المتسلسلة في معالجة البيانات الزمنية القادمة من الحساسات والمعدات الصناعية المختلفة

وتتصل هذه الجهود بمسار بحثي أوسع يسعى إلى رفع كفاءة منظومات الطاقة المتجددة عبر الرصد الذكي المستمر، إذ لا يقتصر أثر الكشف المبكر عن الأعطال على حماية المكونات المادية للمحطات، بل يمتد إلى تحسين التخطيط لشبكات الكهرباء وتقدير الإنتاج المتوقع بدقة أعلى، وهو ما يعزز ثقة المستثمرين والمشغلين في مشاريع الطاقة الشمسية ويدعم انتشارها المستدام في المناطق المشمسة

وخلاصة القول إن الدراسة قدمت إطارًا هجينًا ذكيًا يجمع بين التجميع الضبابي والتعلم العميق لتصنيف أعطال الأنظمة الكهروضوئية، وأثبتت التجارب على بيانات حقيقية من نظام شمسي عامل أن النموذج المقترح يحقق دقة مرتفعة ويصلح للتطبيقات التي تتطلب رصدًا سريعًا وموثوقًا في ظروف تشغيل متغيرة