استخدام أساليب مونت كارلو لتحسين موثوقية مولدات الطاقة الكهربائية في المزارع الشتوية

مقدمة: التحدي النابع في الطاقة الريحية

وقد أصبحت الطاقة المتجددة حجر الزاوية في حافظة الطاقة المتجددة العالمية، إلا أن تقلبها المتأصل يشكل تحديات كبيرة لمشغلي الشبكات وتجار الطاقة، وعلى عكس محطات الطاقة التقليدية التي يمكن إرسالها بناء على الطلب، تنتج المزارع الريحية الكهرباء استناداً إلى الظروف الجوية التي تتغير بسرعة وفي كثير من الأحيان دون إمكانية التنبؤ بها، ومن الضروري التنبؤ باختلالات توليد الطاقة من أجل الحفاظ على استقرار الشبكات، وتحقيق الاستخدام الأمثل للأسواق الكهربائية، والبرمجة، والبنى التحتية العالية.

ما هي أساليب مونت كارلو؟

إن أساليب مونت كارلو هي فئة من الخوارزميات الحاسوبية التي تعتمد على العينات العشوائية المتكررة للحصول على نتائج رقمية، وهذا الاسم، الذي استلهمت منه الكازينو الشهير في موناكو، يعكس عنصر الفرصة المتأصل في التقنية، والفكرة الأساسية هي وضع نموذج لنظام يتسم بعدم اليقين، على سبيل المثال، سرعة الرياح في المستقبل، مما يولد آلافا أو ملايينا من المدخلات العشوائية الممكنة المستمدة من توزيعات المحددة الاحتمالات، مما يؤدي إلى تحقيق مخرجات.

(أ) [يستند الأساس الالرياضي لأساليب مونت كارلو إلى قانون الأعداد الكبيرة: نظراً لازدياد عدد العينات المحاكاة، فإن متوسط النتائج المحاكاة يتطابق مع القيمة المتوقعة، مما يجعل الطريقة مرنة للغاية وتنطبق على طائفة واسعة من المشاكل التي تكون فيها الحلول التحليلية قابلة للانتقاص، وفي سياق التنبؤ بالطاقة الريحية، تتيح أساليب مونت كارلو تحويل مدخلات غير مؤكدة إلى سيناريوهات متجددة.

لماذا تُظهر الأمور الافتراضية لعمليات مزرعة ويند

يمكن للمزرعة أن تنتج 50 ميغاواط في الظهيرة غداً، والتنبؤات المحتملة التي بنيت باستخدام محاكاة مونت كارلو، أن تقول بدلاً من ذلك: "هناك احتمال أن تنتج المزرعة ما بين 40 ميغاواط و55 ميغاواط، مع احتمال 50 في المائة أن يتجاوز 48 ميغاواط"

تنفيذ محاكاة مونت كارلو في مجال إبادة الطاقة في ويند باور: تفصيل خطوة خطوة إلى الأمام

وتطبيق أساليب مونت كارلو في التنبؤ بالمزارع الريحية يتطلب عملية صارمة ومتعددة الخطوات تدمج البيانات المتعلقة بالأرصاد الجوية، والنماذج الإحصائية، ومصفوفات أداء التربين، والطاقة الحاسوبية، وفيما يلي كل خطوة يجري بحثها بالتفصيل.

1 - جمع البيانات التاريخية ذات الجودة العالية

إن أساس أي محاكاة موثوقة لمونت كارلو هو مجموعة بيانات تاريخية قوية، تشمل قياسات سرعة الرياح واتجاهاتها في ارتفاعات المحاور )٨٠-١٢٠ متراً(، والكثافة الجوية، ودرجات الحرارة، وسجلات إنتاج الطاقة على مستوى توربيني، وينبغي جمع البيانات في فترات زمنية دقيقة من الزمن تكون قياسات موحدة، وفترات متعددة من أجل استخلاص البيانات الموسمية والقابلية للتغيرات السنوية.

2 - نمذجة عدم اليقين في سرعة الرياح مع توزيع الاحتمالات

وبالإضافة إلى ذلك، فإن المعالم التي توزع بسرعة الرياح تُعتبر ذات خصائص إحصائية معروفة جيداً ويمكن أن تُصاغ على غرار التوزيع المتماثل، إذ إن توزيع النسيج على الشبكة العالمية () هو أكثر الطرق استخداماً لوصف سرعة سرعة الرياح، إذ إن بارامترتين (ك) ومقياس (ج) - يمكن تقديرهما من البيانات التاريخية باستخدام أقصى الاحتمالات أو طريقة لللحظات، غير أن تُستخدم سرعة الريح في موقع محدد

3 - توليد آلاف من سيناريوهات راندوم ويند

وبعد تحديد عمليات التوزيع المحتملة، يبدأ محاكاة مونت كارلو: وقد يستمد عدد كبير )مثل ٠٠٠ ١٠ إلى ٠٠٠ ١٠٠( من قيم سرعة الرياح العشوائية من التوزيع المهيأ، ويمثل كل رسم سيناريو محتمل لسرعة الرياح في المستقبل بالنسبة لآفاق زمنية معينة، وقد تكون هذه السحب مشروطة بالنسبة للتنبؤات القصيرة الأجل )ساعات مقبلة( بأحدث الحالات التي تسود فيها حالة من الاضطراب الجوي الملاحظ باستخدام تقنيات مثل تكوين النماذج

4 - تحويل سيناريوهات الرياح إلى مخرجات الطاقة باستخدام منافذ أداء توربين

وكل سرعة رياحية مأخوذة من عينات تُدرَج في منحنى للطاقة التربينية، وهي وظيفة ترسم خرائط لسرعة الرياح في ارتفاع المحور إلى إنتاج الطاقة الكهربائية، وتُقدِّم شركات تصنيع التربين منحنى مثالياً للطاقة، ولكن أداء العالم الحقيقي يعتمد على آثار الايقاظ والكثافة الجوية والتدهور السافر والانحراف، ولتحسين الدقة، فإن إنتاج الطاقة المعدلة حسب الموقع والمستمد من بيانات التشغيل (مثلاً، ينبغي أن تكون بيانات الإنتاج الزراعي).

5- التحليل الإحصائي لمخرجات المحاكاة

وتتمثل الخطوة الأخيرة في تحليل توزيع التنبؤات بالطاقة في جميع السيناريوهات، إذ يحسب المحللون الإحصاءات الرئيسية: فالقصد (الطاقة المتوقعة)، والانحرافات القياسية، والموازين (مثلاً P10 وP50 وP90) وتوضح قيمة P90 مثلاً مستوى القدرة على التواصل مع أصحاب المصلحة الذين يتجاوزون نسبة 90 في المائة من احتمالات تجاوزهم لتوقعات عدم اليقين الأخرى.

التقنيات المتقدمة لتحسين كفاءة المحاكاة والآكراسي

وفي حين أن عينات مونت كارلو الكلاسيكية واضحة، فإن عدة تقنيات متقدمة تعزز الكفاءة الحسابية وواقعية السيناريوهات المتولدة.

عينات من الهيبركوب اللاتينية

وبدلاً من أخذ عينات عشوائية بسيطة، فإن Latin Hypercube Sampling] (LHS) يُقَيِّد توزيع المدخلات المحتملة على فترات قابلة للتساوي ويكفل أخذ عينات من كل فترة من فتراتها، مما يقلل من تفاوت نتائج المحاكاة، ويحقق التقارب مع عينات أقل بكثير من التخفيض العشوائي بنسبة 30 إلى 5 في المائة.

طرق خفض الفرق

ويمكن أن تؤدي تقنيات مثل نماذج أخذ العينات والتحكم ذات الأهمية إلى زيادة تخفيض عدد المحاكاة اللازمة لتحقيق الدقة، لا سيما عندما يكون التركيز على الأحداث البالغة (مثل فترات منخفضة أو فترات توقف التوربين الناجمة عن العواصف) وهذه الأساليب قيمة عندما تكون الموارد الحاسوبية محدودة أو عندما تكون هناك حاجة إلى التنبؤات في الوقت الحقيقي.

الناموسيات للتبعية المتعددة

والسرعة والاتجاهات المتفشيتان غير مستقلتين، والسلوك المشترك عبر التربينات المتعددة معقد. Copula functions]) يسمح للنموذجين بفصل التوزيع الهامشي لكل متغير عن هيكل التبعية، وباستخدام أجهزة التموين (مثلاً، الغوسيان، وكلايتون)، يمكن للمحللين أن يولدوا سيناريوهات التي تلتقطها في آن واحد.

دراسة حالة توضيحية: 100 ميغاواط من مزرعة الرياح الساحلية

ومن أجل تطهير هذه المفاهيم، يمكن اعتبار مزرعة رياح بحرية تبلغ 25 توربينات، ويُعد كل منها في 4 ميغاواط. وتُستخدم بيانات الميضات التاريخية لموقع بحر الشمال لتلائم توزيعاً متفجراً (ك=2.2، ج = 9.5 م/ك) ويُظهر محاكاة من طراز مونت كارلو مع نظام LHS وجود 000 50 سيناريوهات لتوقعات قبل 24 ساعة باستخدام منحنى كهربائي معدلة تبلغ حده نحو 68

استحقاقات أساليب مونت كارلو في عمليات مزارع ويند

(ب) إضافة إلى ذلك، فإنَّ نماذج التمويل المُحدَّد في إطار التمويل الإجمالي الوطني (LFT) التي تتيح إمكانية تحقيق وفورات في الحجم، وتُحدَّد الفوائد المادية [النموذج المرجعي] في مجال الطاقة، وتُحدَّد هذه الفوائد في إطار القدرة على المنافسة، وتُحدِّد من عدم اليقين في إطار نظام الطاقة الريحية (CLT)().

التحديات والنظرات العملية

وعلى الرغم من مواطن القوة التي يتمتع بها المشغلون في مونت كارلو، فإن نتائج التدريب على استخدام الطاقة لا تشمله، كما أن من الممكن أن تكون ذات أهمية بالنسبة لـ " البرمجيات ذات النوعية العالية " ، كما أن التنبؤات المتعلقة بحجم الطاقة، التي تنطوي على تغيرات في نوعية الطاقة، هي: " البرمجيات التي تتسم بحسن التصرف " () التي تُقيَّم على نحو دقيق.

توجيهات المستقبل: نماذج مهجورة وتكييف في الوقت الحقيقي

AsFient outputs. Asbining Monte Carlo simulations with machine learning - for example, using neural networks to generate conditional distributions that are then sampled, or using generative adversarial networks (GANs) to create physically reality wind fields without explicit distributional assumptions.

الاستنتاج: عدم اليقين بالنسبة لجريمة قابلة للتجديد موثوق بها

ولن يكون هناك أي احتمال كبير لتوليد الطاقة، ولكن هذا لا يعني أن على المشغلين أن يعملوا بشكل أعمى، إذ أن أساليب مونت كارلو توفر إطارا صارما ومرنا وجيدا لتحديد درجة عدم التيقن المتأصل في توقعات توليد الطاقة، ومن خلال الانتقال من التنبؤات ذات القيمة الواحدة إلى تقييمات موازية محتملة، يمكن لمقدمي الطاقة أن يتخذوا قرارات أفضل معلومات بشأن التوازن بين الشبكات والصيانة والتجارة.