DOI: https://doi.org/10.59543/9hjx0v16
تاريخ النشر: 2026-03-10
المؤلف: Gülay Demir
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تتناول هذه الدراسة تعقيدات اختيار مصادر الطاقة المتجددة وسط عدم اليقين في بيانات إنتاج الطاقة، مقترحة منهجية هجينة جديدة تدمج التعلم العميق مع تقنيات اتخاذ القرار متعددة المعايير (MCDM) العشوائية. تتكشف المنهجية في خمس مراحل: أولاً، يتم استخدام تقنية الأهمية المستندة إلى الوسيط الذاتي والموضوعي (SOMIT) لتحديد أوزان معايير القرار. بعد ذلك، تتنبأ شبكة الأعصاب متعددة الطبقات (MLP) بالكفاءة التقنية لمصادر الطاقة المختلفة، تليها مراقبة بقايا الخطأ المطلق لتطوير معيار عدم اليقين لشبكة الأعصاب الاصطناعية (ANN). تتضمن المرحلة الرابعة التحقق الثلاثي من البيانات المدركة لعدم اليقين باستخدام خوارزميات TOPSIS وPROMETHEE II وRAWEC، مما يؤدي إلى تحليل الحساسية ومحاكاة مونت كارلو لتقييم قوة الإطار.
تشير النتائج إلى تحول كبير في التفضيل نحو الطاقة الشمسية لتحقيق هدف تركيا الصافي الصفري لعام 2053، حيث حققت درجة تفضيل قدرها 0.685، متجاوزةً طاقة الرياح التي كانت مفضلة سابقًا. تُظهر الإطار المقترح استقرارًا عاليًا، حيث تؤكد محاكاة مونت كارلو قوة النتائج في 92.4% من السيناريوهات. تشمل المساهمات الرئيسية تقديم معيار قرار ديناميكي يعتمد على خطأ توقع ANN، وطريقة وزن SOMIT المبتكرة، والتطبيق الفعال لـ RAWEC من الجيل التالي لتحليل التكلفة والفائدة. بشكل عام، تؤكد الدراسة على أهمية مراعاة كل من التكاليف وقابلية التنبؤ في التخطيط الاستراتيجي لمزيج الطاقة المتجددة في تركيا، حيث تُصنف الطاقة الشمسية كأكثر الخيارات قابلية، تليها طاقة الرياح، والطاقة الحرارية الأرضية، والكتلة الحيوية.
مقدمة
تسلط المقدمة الضوء على تحول كبير في مشهد الطاقة العالمي، كما أكدت الوكالة الدولية للطاقة (IEA)، التي تشير إلى أننا نقترب من “نهاية عصر الوقود الأحفوري.” لقد زادت الاستثمارات في الطاقة النظيفة بنسبة 40% منذ عام 2020، حيث تمثل الطاقة المتجددة الآن أسرع القطاعات نموًا في انتقال الطاقة. تتوقع الوكالة الدولية للطاقة المتجددة (IRENA) أن تصل قدرة الطاقة المتجددة إلى 3,870 جيجاوات بحلول نهاية عام 2024، مدفوعة بشكل أساسي بالطاقة الشمسية بسبب انخفاض تكاليفها وقابلية توسيعها. ومع ذلك، فإن الانتقال إلى أنظمة الطاقة المتجددة يقدم تحديات استراتيجية، بما في ذلك أمان الشبكة، وتكاليف الاستثمار، وعدم اليقين في الإنتاج، مما يتطلب عمليات اتخاذ قرار معقدة تأخذ في الاعتبار عوامل تقنية واقتصادية متنوعة.
في تركيا، يتسارع الانتقال الطاقي نحو تحقيق هدف الصفر الصافي لعام 2053، مع قدرة مثبتة تتجاوز 110 جيجاوات. تشير البيانات إلى زيادة تدريجية في حصة الطاقة المتجددة، التي تمثل الآن 16.5% من إجمالي مزيج الطاقة، حيث تعتبر الطاقة الكهرومائية والطاقة الشمسية الكهروضوئية من المساهمين الرئيسيين. كما تشير المقدمة إلى أهمية تقنيات اتخاذ القرار متعددة المعايير (MCDM)، مثل عملية التحليل الهرمي (AHP) وتقنية ترتيب التفضيل بناءً على التشابه مع الحل المثالي (TOPSIS)، في قرارات تخصيص الموارد. ومع ذلك، فإن أحد القيود الرئيسية لهذه الطرق التقليدية هو اعتمادها على بيانات ثابتة وحتمية، مما يفشل في التقاط الطبيعة العشوائية الكامنة لعوامل مثل السعة والكفاءة التقنية في أنظمة الطاقة المتجددة، مما قد يؤدي إلى نتائج اتخاذ قرار دون المستوى الأمثل.
طرق
تقدم المنهجية الموضحة في هذه الدراسة نهجًا من أربع مراحل يهدف إلى تحويل عدم اليقين التنبؤي إلى معيار اتخاذ قرار استراتيجي. تشمل هذه العملية وزن المعايير، وتحليل عدم اليقين باستخدام تقنيات التعلم العميق، والترتيب اللاحق للخيارات. من الجدير بالذكر أنه بينما يتطلب التعلم العميق عادةً مجموعات بيانات واسعة، تستفيد هذه الدراسة منه لتقدير عدم اليقين بدلاً من التنبؤ، وهو ما يُبرز كميزة كبيرة.
تم تفصيل مبررات استخدام التعلم العميق مع مجموعة بيانات محدودة في الجدول 1، الذي يصنف المبررات تحت ثلاثة عناوين متميزة. يبرز هذا التطبيق المبتكر إمكانيات التعلم العميق في تعزيز عمليات اتخاذ القرار من خلال إدارة عدم اليقين بشكل فعال، مما يساهم في قوة نتائج الدراسة.
نتائج
تستعرض قسم النتائج من ورقة البحث النتائج المستخلصة من نموذج من أربع مراحل يقيم محفظة الطاقة المتجددة في تركيا. في المرحلة الثانية، تم إجراء تطبيع البيانات باستخدام تطبيع الحد الأدنى-الحد الأقصى الخطي لتوحيد المعايير للتحليلات اللاحقة. يتم تقديم مصفوفة القرار الموحدة في الجدول 7. تضمنت المرحلة الثالثة تدريب شبكة الأعصاب متعددة الطبقات (MLP) على بيانات إنتاج الطاقة المتجددة على مدى عشر سنوات، محققة خسارة تدريب (MSE) قدرها 0.012 وخسارة تحقق قدرها 0.015 بعد 200 دورة. أظهرت أداء النموذج تقاربًا فعالًا، مع حساب انحراف الخطأ المطلق لكل مصدر طاقة، مما يعكس عدم اليقين في التنبؤات.
في المرحلة الرابعة، طبقت الدراسة تقنيتين من تقنيات اتخاذ القرار متعددة المعايير، TOPSIS وPROMETHEE II، لتقييم مصادر الطاقة بناءً على الأوزان، وعدم اليقين، ومصفوفة القرار الموحدة. تشير النتائج، الملخصة في الجدول 8، إلى أن الطاقة الشمسية (PV) تفوقت على المصادر الأخرى عبر جميع الطرق، وذلك بسبب تكاليفها المنخفضة، وموثوقيتها العالية، وفوائدها البيئية. احتلت الطاقة الحرارية الأرضية المرتبة الثانية في TOPSIS بسبب عامل السعة العالي، بينما كانت طاقة الرياح الثانية في PROMETHEE II وRAWEC، مستفيدة من انخفاض تكاليف الطاقة المستوية (LCOE). احتلت الكتلة الحيوية باستمرار المرتبة الأخيرة، مما يعكس انبعاثاتها العالية من الكربون وكفاءتها المنخفضة. تؤكد التحليل المقارن عبر المنهجيات، الموضح في الشكل 9، أن الطاقة الشمسية هي الخيار الأنسب لأهداف التنمية المستدامة في تركيا، مع تصنيفات قوية عبر الأطر المختلفة.
نقاش
تسلط قسم النقاش من ورقة البحث الضوء على فجوة كبيرة بين التحليلات التنبؤية واتخاذ القرار الوصفي في نمذجة أداء الطاقة، خاصة فيما يتعلق بدمج مخرجات التعلم الآلي (ML) في عمليات اتخاذ القرار متعددة المعايير (MCDM). على الرغم من التقدم في تقنيات ML، مثل الذاكرة طويلة وقصيرة الأجل (LSTM) والغابات العشوائية، نادرًا ما يتم دمج الأخطاء العشوائية المرتبطة بالتنبؤات في أطر القرار، مما يؤدي إلى نماذج “مدفوعة بالأداء ولكن عمياء للمخاطر.” تقترح هذه الدراسة إطارًا هجينيًا جديدًا يقوم بتقدير عدم اليقين في التنبؤ من خلال درجة “الثقة التنبؤية” المستمدة من الشبكات العصبية الاصطناعية (ANN)، مما يعالج الحاجة إلى أداة اتخاذ قرار أكثر موثوقية في تخطيط الطاقة.
يستخدم الإطار عدة منهجيات، بما في ذلك طريقة SOMIT لتحقيق توازن استراتيجي في الأوزان، مما يقلل من تحيز الخبراء من خلال تجميع التفضيلات بناءً على القيم الوسيطة. بالإضافة إلى ذلك، يدمج طرق TOPSIS وPROMETHEE II من أجل اتخاذ قرارات قوية، مما يضمن تقييم مصادر الطاقة ضد معايير الأداء المثالي والنسبية. يتم استخدام محاكاة مونت كارلو مع 10,000 تكرار للتحقق من قوة التصنيفات، مما يحدد فترة ثقة بنسبة 95% لخارطة الطريق المقترحة للانتقال الطاقي. تعتبر مساهمات هذه الدراسة مهمة، حيث إنها لا تقتصر على ريادة تقدير عدم اليقين في دراسات الطاقة فحسب، بل تقدم أيضًا خارطة طريق شاملة مدفوعة بالبيانات لتحقيق أهداف تركيا الصفرية لعام 2053، مع تحقيق توازن بين الأهداف المناخية والموثوقية التقنية واليقين التنبؤي.
DOI: https://doi.org/10.59543/9hjx0v16
Publication Date: 2026-03-10
Author(s): Gülay Demir
Primary Topic: Multi-Criteria Decision Making
Overview
This research addresses the complexities of selecting renewable energy sources amidst uncertainties in energy production data, proposing a novel hybrid methodology that integrates deep learning with stochastic multi-criteria decision-making (MCDM) techniques. The methodology unfolds in five phases: first, the Subjective-Objective Median-based Importance Technique (SOMIT) is employed to determine the weights of decision criteria. Next, a Multi-Layer Perceptron (MLP) neural network predicts the technical efficiency of various energy sources, followed by monitoring absolute error residuals to develop an Artificial Neural Network (ANN) Uncertainty Criterion. The fourth phase involves triple validation of uncertainty-aware data using TOPSIS, PROMETHEE II, and RAWEC algorithms, culminating in sensitivity analysis and Monte Carlo Simulation to assess the framework’s robustness.
The findings indicate a significant shift in preference towards solar energy for Türkiye’s 2053 net zero target, achieving a preference score of 0.685, surpassing wind energy, which was previously favored. The proposed framework demonstrates high stability, with Monte Carlo simulations confirming the robustness of results in 92.4% of scenarios. Key contributions include the introduction of a dynamic decision criterion based on ANN prediction error, the innovative SOMIT weighting method, and the effective application of next-generation RAWEC for cost-benefit analysis. Overall, the research emphasizes the importance of considering both costs and predictability in the strategic planning of Türkiye’s renewable energy mix, ranking solar energy as the most viable option, followed by wind, geothermal, and biomass.
Introduction
The introduction highlights a significant transformation in the global energy landscape, as emphasized by the International Energy Agency (IEA), which suggests we are approaching the “end of the fossil fuel era.” Clean energy investments have surged by 40% since 2020, with renewables now representing the fastest-growing segment of the energy transition. The International Renewable Energy Agency (IRENA) projects that renewable energy capacity will reach 3,870 GW by the end of 2024, driven primarily by solar power due to its declining costs and scalability. However, the transition to renewable energy systems presents strategic challenges, including grid security, investment costs, and production uncertainties, necessitating sophisticated decision-making processes that consider various technical and economic factors.
In Türkiye, the energy transition is accelerating towards achieving the 2053 Net-Zero target, with an installed capacity exceeding 110 GW. The data indicates a gradual increase in the share of renewables, which now accounts for 16.5% of the total energy mix, with hydroelectric power and solar PV being the leading contributors. The introduction also notes the importance of Multi-Criteria Decision-Making (MCDM) techniques, such as Analytic Hierarchy Process (AHP) and Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), in resource allocation decisions. However, a critical limitation of these classical MCDM methods is their dependence on static and deterministic data, which fails to capture the inherent stochastic nature of factors like capacity and technical efficiency in renewable energy systems, potentially leading to suboptimal decision-making outcomes.
Methods
The methodology outlined in this study introduces a four-stage approach aimed at transforming predictive uncertainty into a strategic decision-making criterion. This process encompasses criteria weighting, uncertainty analysis utilizing deep learning techniques, and subsequent ranking of options. Notably, while deep learning typically necessitates extensive datasets, this study leverages it for uncertainty quantification rather than prediction, which is highlighted as a significant advantage.
The justification for employing deep learning with a limited dataset is detailed in Table 1, which categorizes the rationale under three distinct headings. This innovative application underscores the potential of deep learning in enhancing decision-making processes by effectively managing uncertainty, thereby contributing to the robustness of the study’s findings.
Results
The results section of the research paper outlines the findings from a four-stage model assessing Türkiye’s renewable energy portfolio. In Phase II, data normalization was conducted using Linear Min-Max Normalization to standardize the criteria for subsequent analyses. The normalized decision matrix is presented in Table 7. Phase III involved training a multilayer perceptron (MLP) on ten years of renewable energy production data, achieving a training loss (MSE) of 0.012 and a validation loss of 0.015 after 200 epochs. The model’s performance indicated effective convergence, with the Absolute Error Deviation calculated for each energy source, reflecting the uncertainty in predictions.
In Phase IV, the study applied two multi-criteria decision-making techniques, TOPSIS and PROMETHEE II, to evaluate the energy sources based on weights, uncertainties, and the normalized decision matrix. The results, summarized in Table 8, indicate that solar energy (PV) outperformed other sources across all methods, attributed to its lower costs, high reliability, and environmental benefits. Geothermal energy ranked second in TOPSIS due to its high capacity factor, while wind energy was second in PROMETHEE II and RAWEC, benefiting from its low levelized cost of energy (LCOE). Biomass consistently ranked last, reflecting its high carbon emissions and low efficiency. The comparative analysis across methodologies, illustrated in Figure 9, confirms solar energy as the most suitable option for Türkiye’s sustainable development goals, with robust rankings across the different frameworks.
Discussion
The discussion section of the research paper highlights a significant gap between predictive analytics and prescriptive decision-making in energy performance modeling, particularly regarding the integration of machine learning (ML) outputs into multi-criteria decision-making (MCDM) processes. Despite advancements in ML techniques, such as Long Short-Term Memory (LSTM) and Random Forests, the stochastic errors associated with predictions are seldom incorporated into decision frameworks, leading to models that are “performance-driven but risk-blind.” This study proposes a novel hybrid framework that quantifies prediction uncertainty through a “Predictive Trust” score derived from artificial neural networks (ANN), thereby addressing the need for a more reliable decision-making tool in energy planning.
The framework employs several methodologies, including the SOMIT method for strategic weight balancing, which mitigates expert bias by aggregating preferences based on median values. Additionally, it integrates the TOPSIS and PROMETHEE II methods for robust decision-making, ensuring that energy sources are evaluated against both ideal and relative performance criteria. A Monte Carlo simulation with 10,000 iterations is utilized to validate the robustness of the rankings, establishing a 95% confidence interval for the proposed energy transition roadmap. The contributions of this research are significant, as it not only pioneers uncertainty quantification in energy studies but also provides a comprehensive, data-driven roadmap for achieving Türkiye’s 2053 Net Zero targets, balancing climate goals with technical reliability and predictive certainty.
