DOI: https://doi.org/10.3389/fenrg.2025.1691881
تاريخ النشر: 2026-01-05
المؤلف: Surasak Surathunmanun وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم ورقة البحث CTT-ViT-Transformer، وهو إطار عمل جديد مصمم لتعزيز التنبؤ بالطاقة الشمسية الكهروضوئية (PV) على المدى القصير في الميكروغريد النائية التي تفتقر إلى أجهزة استشعار الإشعاع الأرضي. يستخدم هذا الإطار صور الأقمار الصناعية لدرجة حرارة قمة السحاب (CTT)، المعالجة من خلال محول الرؤية (ViT) لاستخراج الميزات المكانية ونموذج المحول للتنبؤ بالسلاسل الزمنية. تظهر النتائج أن CTT-ViT-Transformer يتفوق بشكل كبير على النماذج التقليدية، حيث يحقق متوسط خطأ مطلق (MAE) قدره 15.99 كيلو واط وخطأ جذر متوسط المربعات (RMSE) قدره 24.28 كيلو واط، مع قيمة R² تبلغ 0.97، مما يشير إلى دقة تنبؤية عالية حتى بالنسبة للتنبؤات التي تمتد لأربع خطوات قادمة.
تسلط الدراسة الضوء على قابلية توسيع الإطار وملاءمته مع بيانات المستشعرات الحالية، مما يجعله مفيدًا بشكل خاص للميكروغريد ذات الموارد المحدودة. من خلال تمكين التنبؤ الدقيق دون الحاجة إلى أجهزة استشعار أرضية، يدعم CTT-ViT-Transformer إدارة الطاقة الاستباقية ويتماشى مع أهداف التنمية المستدامة المتعلقة بالطاقة النظيفة والميسورة والعمل المناخي. تعزز تقنيات الذكاء الاصطناعي التوليدية جودة البيانات وكفاءة النموذج، مما يشير إلى أن هذا النهج المبتكر يمكن أن يسهم بشكل كبير في جهود إزالة الكربون والوصول العادل إلى تقنيات الطاقة المتجددة في المناطق المحرومة. تشمل اتجاهات البحث المستقبلية التحقق عبر مواقع ومناخات متنوعة، بالإضافة إلى التكامل مع أنظمة التحكم التنبؤية لتحسين المرونة التشغيلية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لانتقال الطاقة النظيفة استجابةً للاضطرابات المتعلقة بالمناخ التي تؤثر على أنظمة الطاقة العالمية. تؤكد أجندة الأمم المتحدة 2030 للتنمية المستدامة على أهمية الطاقة النظيفة الميسورة وتقليل انبعاثات غازات الدفيئة، حيث حققت تايلاند معدل كهرباء يبلغ 99.99% من خلال تقنيات متقدمة مثل الشبكات الذكية والميكروغريد. على الرغم من هذه التقدمات، لا تزال تايلاند مصدرًا كبيرًا للكربون، مما دفع الحكومة إلى وضع أهداف مناخية طموحة، بما في ذلك تقليل الانبعاثات المتعلقة بالطاقة بنسبة 57% بحلول عام 2037 وتحقيق الحياد الكربوني بحلول عام 2050.
يعد التنبؤ الدقيق بإنتاج الطاقة الشمسية الكهروضوئية (PV) أمرًا بالغ الأهمية لتحسين موثوقية الشبكة ودمج الطاقة المتجددة. تناقش الورقة نهجين رئيسيين للتنبؤ: الطرق المباشرة، التي تستخدم بيانات الإنتاج التاريخية، والطرق غير المباشرة، التي تعتمد على توقع الإشعاع الشمسي. أظهرت الطرق المباشرة، وخاصة تلك التي تستخدم تقنيات التعلم العميق مثل الشبكات العصبية طويلة وقصيرة المدى (LSTM)، أداءً متفوقًا في سيناريوهات التنبؤ ليوم واحد قادم. ومع ذلك، تستمر التحديات بسبب الاعتماد على بيانات الإشعاع الشمسي الموثوقة، والتي غالبًا ما تفتقر في مواقع الميكروغريد النائية. تقدم التقدمات الأخيرة في الذكاء الاصطناعي التوليدي، وخاصة الشبكات التنافسية التوليدية فاسرشتاين (WGANs)، حلولًا واعدة لإعادة بناء بيانات PV المفقودة، مما يعزز دقة التنبؤ. تقترح الدراسة إطار عمل جديد يعتمد على المحولات يستفيد من بيانات درجة حرارة قمة السحاب (CTT) من صور الأقمار الصناعية لتحسين التنبؤ في المناطق ذات البنية التحتية المحدودة لأجهزة الاستشعار الأرضية، مما يعالج الفجوات الحرجة في المنهجيات الحالية.
طرق
تحدد المنهجية المقدمة في هذه الورقة إطار عمل شامل لتنبؤ إنتاج الطاقة الشمسية الكهروضوئية (PV) باستخدام نهج CTT-ViT-Transformer. تبدأ العملية بجمع البيانات وتنتهي بتنفيذ النموذج العملي، مع دمج الذكاء الاصطناعي التوليدي في أربع مراحل محورية. أولاً، يستخدم الإطار الشبكات التنافسية التوليدية فاسرشتاين (WGANs) لتوليد بيانات اصطناعية، مما يعالج بفعالية مشكلات جودة البيانات من خلال ملء الفجوات الناتجة عن المدخلات التالفة أو المفقودة من أجهزة الاستشعار، وهو أمر مفيد بشكل خاص في البيئات التي تعاني من نقص البيانات.
ثانيًا، يتم استخدام محولات الرؤية (ViTs) لاستخراج الميزات المكانية من صور الأقمار الصناعية، مستفيدة من آليات الانتباه الذاتي وتقليل الأبعاد لتحديد الأنماط المهمة دون الاعتماد على أجهزة الاستشعار الأرضية. يدمج المكون الثالث هياكل المحولات خصيصًا للتنبؤ بالسلاسل الزمنية، مستفيدًا من آليات الانتباه المتوازي لتعزيز دقة التنبؤ وقابلية التكيف مع الظروف الديناميكية. أخيرًا، يدمج الإطار وكيل ذكاء اصطناعي توليدي لتحسين المعلمات، والذي يحدد نطاقات المعلمات المستهدفة للبحث الفعال عن الشبكة، وضبط المتغيرات مثل معدل التعلم وعمق النموذج، مع تنفيذ الإيقاف المبكر لتقليل وقت التدريب بمجرد استقرار الأداء.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التطبيق المبتكر لصور الأقمار الصناعية لدرجة حرارة قمة السحاب (CTT) لتنبؤ إنتاج الطاقة الشمسية الكهروضوئية (PV)، مما يمثل تقدمًا كبيرًا في هذا المجال. هذه الدراسة هي الأولى التي تستخدم صور CTT كمدخل رئيسي، مما يظهر أنها توفر رؤى متفوقة حول خصائص السحب مقارنةً ببيانات الإشعاع الشمسي التقليدية أو صور RGB. النموذج الهجين المقترح، CTT-ViT-Transformer، يدمج محول رؤية (ViT) لاستخراج الميزات المكانية من صور CTT، والتي تتم معالجتها بعد ذلك بواسطة نموذج المحول لالتقاط العلاقات الزمنية في إنتاج الطاقة الشمسية PV. لا تعزز هذه البنية دقة التنبؤ فحسب، بل تعمل أيضًا بشكل فعال في البيئات المحدودة بأجهزة الاستشعار، كما تم التحقق منه في ميكروغريد نائية في كوه بالواي، تايلاند، التي تفتقر إلى أجهزة استشعار الإشعاع.
تؤكد الأبحاث على انتقال الميكروغريد من الاعتماد على الديزل إلى نموذج محايد للكربون، مما يظهر إمكانيات إطار عمل CTT-ViT-Transformer لتحسين إدارة الطاقة والتنبؤ في سياقات مماثلة. تشمل منهجية الدراسة جمع البيانات الشامل والتحضير، مع استخدام شبكة تنافسية توليدية فاسرشتاين (WGAN) لمعالجة مشكلات البيانات المفقودة، واستغلال هندسة الميزات الزمنية لتعزيز مدخلات النموذج. تشير النتائج إلى أن النموذج يتفوق بشكل كبير على طرق التنبؤ التقليدية، مما يوفر حلاً قويًا لتنبؤ إنتاج الطاقة الشمسية PV في البيئات الصعبة، وبالتالي يساهم في الهدف الأوسع المتمثل في إدارة الطاقة المستدامة والحياد الكربوني.
DOI: https://doi.org/10.3389/fenrg.2025.1691881
Publication Date: 2026-01-05
Author(s): Surasak Surathunmanun et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
The research paper presents the CTT-ViT-Transformer, a novel framework designed to enhance short-term solar photovoltaic (PV) forecasting in remote microgrids lacking ground-based irradiance sensors. This framework utilizes Cloud Top Temperature (CTT) satellite imagery, processed through a Vision Transformer (ViT) for spatial feature extraction and a Transformer model for time-series prediction. The results demonstrate that the CTT-ViT-Transformer significantly outperforms traditional models, achieving a mean absolute error (MAE) of 15.99 kW and a root mean square error (RMSE) of 24.28 kW, with an R² value of 0.97, indicating high predictive accuracy even for four-step-ahead forecasts.
The study highlights the framework’s scalability and compatibility with existing sensor data, making it particularly beneficial for resource-constrained microgrids. By enabling accurate forecasting without the need for ground sensors, the CTT-ViT-Transformer supports proactive energy management and aligns with Sustainable Development Goals related to affordable and clean energy and climate action. The integration of Generative AI techniques further enhances data quality and model efficiency, suggesting that this innovative approach could significantly contribute to decarbonization efforts and equitable access to renewable energy technologies in underserved regions. Future research directions include validation across diverse sites and climates, as well as integration with model predictive control systems for improved operational flexibility.
Introduction
The introduction of the research paper highlights the pressing need for a clean energy transition in response to climate-related disruptions affecting global energy systems. The United Nations’ 2030 Agenda for Sustainable Development emphasizes the importance of affordable clean energy and greenhouse gas emission reductions, with Thailand achieving a 99.99% electrification rate through advanced technologies like smart grids and microgrids. Despite these advancements, Thailand remains a significant emitter of carbon, prompting the government to set ambitious climate goals, including a 57% reduction in energy-related emissions by 2037 and achieving carbon neutrality by 2050.
Accurate forecasting of solar photovoltaic (PV) power output is crucial for optimizing grid reliability and integrating renewable energy. The paper discusses two primary forecasting approaches: direct methods, which utilize historical generation data, and indirect methods, which rely on predicting solar irradiance. Direct methods, particularly those employing deep learning techniques like Long Short-Term Memory (LSTM) networks, have shown superior performance in one-day-ahead forecasting scenarios. However, challenges persist due to the dependency on reliable solar irradiance data, which is often lacking in remote microgrid locations. Recent advancements in generative AI, particularly Wasserstein Generative Adversarial Networks (WGANs), offer promising solutions for reconstructing missing PV data, thereby enhancing forecasting accuracy. The study proposes a novel Transformer-based framework that leverages cloud-top temperature (CTT) data from satellite imagery to improve forecasting in areas with limited ground-based sensor infrastructure, addressing critical gaps in existing methodologies.
Methods
The methodology presented in this paper outlines a comprehensive framework for forecasting solar photovoltaic (PV) output using the CTT-ViT-Transformer approach. The process begins with data acquisition and culminates in practical model implementation, incorporating Generative AI at four pivotal stages. Firstly, the framework utilizes Wasserstein Generative Adversarial Networks (WGANs) to generate synthetic data, effectively addressing issues of data quality by filling in gaps from damaged or missing sensor inputs, which is particularly beneficial in data-scarce environments.
Secondly, Vision Transformers (ViTs) are employed to extract spatial features from satellite imagery, leveraging self-attention mechanisms and dimensionality reduction to identify significant patterns without dependence on ground-based sensors. The third component integrates Transformer architectures specifically for time-series forecasting, utilizing parallel attention mechanisms to enhance forecasting accuracy and adaptability to dynamic conditions. Finally, the framework incorporates a Generative AI agent for hyperparameter optimization, which defines targeted parameter ranges for efficient grid search, tuning variables such as learning rate and model depth, while implementing early stopping to minimize training time once performance stabilizes.
Discussion
The discussion section of the paper highlights the innovative application of Cloud Top Temperature (CTT) satellite imagery for forecasting solar photovoltaic (PV) output, marking a significant advancement in the field. This study is the first to utilize CTT imagery as a primary input, demonstrating that it provides superior insights into cloud characteristics compared to traditional solar irradiance data or RGB imagery. The proposed hybrid model, CTT-ViT-Transformer, integrates a Vision Transformer (ViT) to extract spatial features from CTT imagery, which are then processed by a Transformer model to capture temporal relationships in solar PV output. This architecture not only enhances forecasting accuracy but also operates effectively in sensor-limited environments, as validated on a remote microgrid in Koh Paluay, Thailand, which lacks irradiance sensors.
The research emphasizes the microgrid’s transition from diesel reliance to a carbon-neutral model, showcasing the potential of the CTT-ViT-Transformer framework to improve energy management and forecasting in similar contexts. The study’s methodology includes comprehensive data acquisition and preparation, employing a Wasserstein Generative Adversarial Network (WGAN) to address missing data issues, and utilizing temporal feature engineering to enhance model inputs. The findings indicate that the model significantly outperforms conventional forecasting methods, providing a robust solution for solar PV output prediction in challenging environments, thereby contributing to the broader goal of sustainable energy management and carbon neutrality.