DOI: https://doi.org/10.1016/j.ijepes.2026.111835
تاريخ النشر: 2026-04-01
المؤلف: Gang Kou وآخرون
الموضوع الرئيسي: اتخاذ القرار متعدد المعايير
نظرة عامة
تقدم ورقة البحث إطارًا لاتخاذ القرارات يهدف إلى تحسين استراتيجيات الاستثمار في حدائق الطاقة الريحية الخضراء، مع التأكيد على دورها في إنتاج الطاقة المستدامة وتقليل انبعاثات الكربون. باستخدام مجموعة بيانات خبراء ديناميكية تم إنشاؤها من خلال التعلم المعزز، تستخدم الدراسة الشبكات البايزية الضبابية الجزيئية وتقنيات تحسين سرب الجسيمات متعددة الأهداف الضبابية الجزيئية لتقييم وترتيب استراتيجيات الاستثمار المختلفة. تركز التحليلات على مزرعة رياح برية بقدرة 50 ميغاوات، والتي تحقق إنتاجًا سنويًا للطاقة يبلغ حوالي 153 جيجاوات ساعة وتقليل الكربون بنحو 95,000 طن. تسلط النتائج الضوء على أن الامتثال الاجتماعي والبيئي هما المعايير الأكثر أهمية في التقييم، مع تحديد توازن إمدادات الطاقة من خلال دمج تخزين الطاقة كأكثر استراتيجيات الاستثمار فعالية.
في الختام، تؤكد الدراسة على أهمية دمج تقييمات الخبراء وتقنيات التحسين المتقدمة في تقييم استثمارات الطاقة الريحية. بينما يقدم النموذج المقترح رؤى قيمة لصانعي السياسات والمستثمرين، إلا أنه محدود بسبب تركيزه على مشروع محدد ولجنة خبراء ضيقة. يُشجع على إجراء أبحاث مستقبلية لتوسيع تطبيقية النموذج من خلال تضمين آراء خبراء جغرافية وقطاعية متنوعة وتكييف الإطار ليشمل مصادر الطاقة المتجددة الأخرى، مثل الطاقة الكهرومائية والطاقة الشمسية. بالإضافة إلى ذلك، يمكن اختبار النموذج تحت سيناريوهات مختلفة، بما في ذلك الأزمات الاقتصادية أو النزاعات العالمية، لتقييم قوة استراتيجيات الاستثمار.
مقدمة
تناقش مقدمة ورقة البحث أهمية حدائق الطاقة الريحية الخضراء، التي تهدف إلى تقليل التأثيرات البيئية أثناء إنتاج الطاقة المتجددة. يتم تسليط الضوء على الطاقة الريحية كبديل مستدام للوقود الأحفوري، مما يساهم في تقليل انبعاثات الكربون ويساعد في مكافحة تغير المناخ. شهد سوق الطاقة المتجددة العالمي نموًا كبيرًا، حيث تمثل الطاقة الريحية حوالي 1,021 جيجاوات من إجمالي القدرة المركبة البالغة 4,448.1 جيجاوات بحلول نهاية عام 2024. يبرز هذا التوسع الحاجة إلى استراتيجيات استثمار فعالة وإطارات اتخاذ قرارات لتعزيز أداء واستدامة مشاريع الطاقة الريحية.
تحدد الورقة العوامل الحاسمة التي تؤثر على نجاح استثمارات حدائق الطاقة الريحية الخضراء، بما في ذلك الجدوى المالية، الأداء التشغيلي، التوافق البيئي، والقبول الاجتماعي. تؤكد على ضرورة تحقيق توازن بين الفوائد البيئية والآثار الاجتماعية المحتملة، مثل تغييرات استخدام الأراضي ومخاوف المجتمع. يقترح المؤلفون نموذجًا جديدًا لاتخاذ القرارات يدمج تقييمات الخبراء الديناميكية ويستخدم خوارزمية التعلم المعزز جنبًا إلى جنب مع الشبكات البايزية الضبابية الجزيئية لتحديد أولويات مؤشرات الأداء واستراتيجيات الاستثمار. تهدف هذه المقاربة المبتكرة إلى تحسين كفاءة وفعالية استثمارات الطاقة الريحية، مع معالجة الفجوات الموجودة في الأدبيات المتعلقة بالأطر الشاملة لتقييم مثل هذه المشاريع.
الطرق
تقدم الدراسة إطارًا متكاملًا لاتخاذ القرارات مصممًا لتقييم الاستثمارات في حدائق الطاقة الريحية الخضراء، باستخدام مزيج من تقييمات الخبراء الديناميكية وتقنيات التحسين الضبابية المتقدمة. يتم هيكلة الإطار في ثلاث مراحل رئيسية: أولاً، يستخدم خوارزمية التعلم المعزز لتوليد مجموعات بيانات تقييم الخبراء الديناميكية، مما يضمن الاتساق عبر التقييمات التي تم جمعها في فترات زمنية مختلفة. في المرحلة الثانية، يتم استخدام نهج الشبكة البايزية الضبابية الجزيئية لتحديد أوزان الأهمية لمعايير التقييم، مما يعكس العلاقات الشرطية بين المعايير تحت عدم اليقين. أخيرًا، تصنف طريقة تحسين سرب الجسيمات متعددة الأهداف الضبابية الجزيئية (MF-MOPSO) البدائل الاستراتيجية، مع تحديد استراتيجيات الاستثمار الأكثر ملاءمة.
تعالج هذه المنهجية عدم اليقين في تقييمات الخبراء من خلال مجموعات ضبابية جزيئية (MFSs) وتوازن التقييمات باستخدام خوارزمية التعلم المعزز. يتم تطبيق طريقة MF-BANEW لتحديد أوزان عوامل تقييم المشروع، بينما تصنف MF-MOPSO الاستراتيجيات التي تهدف إلى تعزيز كفاءة مشاريع حدائق الطاقة الريحية الخضراء. تشمل مخرجات الإطار مؤشرات أداء ذات أولوية وترتيب بدائل الاستثمار الاستراتيجية، مما يسهل عملية تقييم ديناميكية وحساسة لعدم اليقين لاستثمارات الطاقة الريحية. يتم تمثيل تدفق تقييم المشروع الديناميكي بصريًا في الشكل المرافق، ويتم تقديم تعريفات تتعلق بـ MFS المستخدمة لتحليل عدم اليقين لتوضيح المكونات التحليلية للإطار.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور الحاسم لحدائق الطاقة الريحية الخضراء في تقليل انبعاثات الكربون والمساهمة في أهداف التنمية المستدامة. يؤكد على أهمية الجدوى المالية في تحديد استراتيجيات الاستثمار، والتي تشمل تقييم رأس المال الأولي، تكاليف التركيب، النفقات التشغيلية، وسعة إنتاج الطاقة. تشير الدراسات المذكورة إلى أن التمويل الأخضر هو عنصر حيوي في توجيه مشاريع الطاقة الريحية نحو تقليل الاعتماد على الوقود الأحفوري. علاوة على ذلك، يتم التأكيد على الأداء التشغيلي كعامل رئيسي في تعزيز كفاءة هذه الاستثمارات، حيث تلعب التقدمات التكنولوجية دورًا كبيرًا في تحسين إنتاج الطاقة.
يتناول القسم أيضًا التوافق البيئي والقبول الاجتماعي كمعايير حيوية لنجاح مشاريع الطاقة الريحية. إن ضمان الاستدامة البيئية لا يدعم الأهداف البيئية فحسب، بل يعزز أيضًا دعم المجتمع، وهو أمر ضروري لطول عمر المشروع. تكشف مراجعة الأدبيات عن فجوة في الدراسات الحالية، التي تركز بشكل أساسي على الجوانب التقنية والمالية دون معالجة الأطر الديناميكية لاتخاذ القرارات بشكل كافٍ. يهدف الدمج المقترح للتعلم المعزز مع الشبكات البايزية الضبابية الجزيئية وتحسين سرب الجسيمات متعددة الأهداف إلى إنشاء عملية اتخاذ قرارات أكثر تكيفًا يمكن أن تأخذ في الاعتبار تقييمات الخبراء المتطورة وعدم اليقين في استثمارات الطاقة المتجددة. تسعى هذه المقاربة المبتكرة إلى تعزيز التخطيط الاستراتيجي لمشاريع الطاقة الريحية الخضراء، مما يحسن في النهاية أدائها العام مع الحفاظ على الاستدامة البيئية والاجتماعية.
القيود
يستند الإطار التحليلي المقترح لتقييم استثمارات حدائق الطاقة الريحية الخضراء إلى عدة افتراضات رئيسية، بما في ذلك موثوقية تقييمات الخبراء على مر الزمن، كفاية المعايير المختارة (الجدوى المالية، الأداء التشغيلي، الامتثال البيئي، والامتثال الاجتماعي) في التقاط أبعاد أداء الاستثمار، وفعالية التمثيل الضبابي الجزيلي في نمذجة عدم اليقين. ومع ذلك، فإن الإطار له قيود ملحوظة. يعتمد على تقييمات من عدد محدود من الخبراء ضمن سياق مشروع محدد، مما قد يقيد قابلية تعميم النتائج على مناطق جغرافية أخرى أو أنظمة طاقة أخرى.
بالإضافة إلى ذلك، قد ي overlook التركيز على مجموعة محددة من معايير التقييم وبدائل الاستراتيجية عوامل مؤثرة أخرى في قرارات استثمار الطاقة الريحية. النتائج أيضًا عرضة لعدم اليقين الناجم عن التقدم التكنولوجي، تغييرات السياسة، وتقلبات السوق، بالإضافة إلى التباينات في أحكام الخبراء والطلب المستقبلي على الطاقة. لتعزيز قوة إطار اتخاذ القرار، يجب أن تأخذ الأبحاث المستقبلية في الاعتبار توسيع لجنة الخبراء، واستخدام تقنيات نمذجة عدم اليقين البديلة، وإجراء تحليلات قائمة على السيناريوهات.
DOI: https://doi.org/10.1016/j.ijepes.2026.111835
Publication Date: 2026-04-01
Author(s): Gang Kou et al.
Primary Topic: Multi-Criteria Decision Making
Overview
The research paper presents a decision-making framework aimed at optimizing investment strategies for green wind energy parks, emphasizing their role in sustainable energy production and carbon emission reduction. Utilizing a dynamic expert dataset generated through Q-learning, the study employs molecular fuzzy Bayesian networks and molecular fuzzy multi-objective particle swarm optimization to evaluate and rank various investment strategies. The analysis centers on a 50 MW onshore wind farm, which achieves an annual energy production of approximately 153 GWh and a carbon reduction of nearly 95,000 tons. The findings highlight that social and ecological compliance are the most critical evaluation criteria, with balanced energy supply through energy storage integration identified as the most effective investment strategy.
In conclusion, the study underscores the importance of integrating expert evaluations and advanced optimization techniques in assessing wind energy investments. While the proposed model offers valuable insights for policymakers and investors, it is limited by its focus on a specific project and a narrow expert panel. Future research is encouraged to broaden the model’s applicability by including diverse geographical and sectoral expert opinions and adapting the framework to other renewable energy sources, such as hydroelectric and solar energy. Additionally, the model could be tested under various scenarios, including economic crises or global conflicts, to assess the robustness of the investment strategies.
Introduction
The introduction of the research paper discusses the significance of green wind energy parks, which are designed to minimize environmental impacts while producing renewable energy. Wind energy is highlighted as a sustainable alternative to fossil fuels, contributing to the reduction of carbon emissions and aiding in the fight against climate change. The global renewable energy market has seen substantial growth, with wind energy accounting for approximately 1,021 GW of the total installed capacity of 4,448.1 GW by the end of 2024. This expansion underscores the need for efficient investment strategies and decision-making frameworks to enhance the performance and sustainability of wind energy projects.
The paper identifies critical factors influencing the success of green wind energy park investments, including financial feasibility, operational performance, ecological harmony, and social acceptance. It emphasizes the necessity of balancing environmental benefits with potential social impacts, such as land use changes and community concerns. The authors propose a novel decision-making model that incorporates dynamic expert evaluations and utilizes a Q-learning algorithm alongside molecular fuzzy Bayesian networks to prioritize performance indicators and investment strategies. This innovative approach aims to improve the efficiency and effectiveness of wind energy investments, addressing existing gaps in the literature regarding comprehensive frameworks for evaluating such projects.
Methods
The study introduces an integrated decision-making framework designed to evaluate investments in green wind energy parks, utilizing a combination of dynamic expert assessments and advanced fuzzy optimization techniques. The framework is structured into three key stages: first, it employs a Q-learning algorithm to generate dynamic expert evaluation datasets, ensuring consistency across assessments collected at various time periods. In the second stage, the molecular fuzzy Bayesian network approach is utilized to determine the importance weights of evaluation criteria, effectively modeling the conditional relationships among criteria under uncertainty. Finally, the molecular fuzzy multi-objective particle swarm optimization (MF-MOPSO) method ranks the strategic alternatives, identifying the most suitable investment strategies.
This methodology addresses uncertainties in expert assessments through molecular fuzzy sets (MFSs) and balances evaluations using the Q-learning algorithm. The MF-BANEW method is applied to weight project assessment factors, while MF-MOPSO ranks strategies aimed at enhancing the efficiency of green wind energy park projects. The framework’s outputs include prioritized performance indicators and a ranking of strategic investment alternatives, facilitating a dynamic and uncertainty-sensitive evaluation process for wind energy investments. The flow of the dynamic expert project assessment is visually represented in the accompanying figure, and definitions related to MFS used for uncertainty analysis are provided to clarify the framework’s analytical components.
Discussion
The discussion section of the research paper highlights the critical role of green wind energy parks in reducing carbon emissions and contributing to sustainable development goals. It emphasizes the importance of financial feasibility in determining investment strategies, which includes evaluating initial capital, installation costs, operational expenses, and energy production capacity. Studies cited indicate that green finance is pivotal in steering wind energy projects towards reducing fossil fuel reliance. Furthermore, operational performance is underscored as a key factor in enhancing the efficiency of these investments, with technological advancements playing a significant role in optimizing energy production.
The section also addresses ecological compatibility and social acceptance as vital criteria for the success of wind energy projects. Ensuring ecological sustainability not only supports environmental goals but also fosters community support, which is essential for project longevity. The literature review reveals a gap in existing studies, primarily focusing on technical and financial aspects without adequately addressing dynamic decision-making frameworks. The proposed integration of Q-learning with molecular fuzzy Bayesian networks and multi-objective particle swarm optimization aims to create a more adaptive decision-making process that can account for evolving expert assessments and uncertainties in renewable energy investments. This innovative approach seeks to enhance the strategic planning of green wind energy projects, ultimately improving their overall performance while maintaining environmental and social sustainability.
Limitations
The proposed analytical framework for evaluating green wind energy park investments is built on several key assumptions, including the reliability of expert evaluations over time, the adequacy of selected criteria (financial feasibility, operational performance, ecological compliance, and social compliance) in capturing investment performance dimensions, and the effectiveness of molecular fuzzy representation in modeling uncertainty. However, the framework has notable limitations. It relies on evaluations from a limited number of experts within a specific project context, which may restrict the generalizability of the findings to other geographical regions or energy systems.
Additionally, the focus on a specific set of evaluation criteria and strategy alternatives may overlook other influential factors in wind energy investment decisions. The results are also susceptible to uncertainties arising from technological advancements, policy changes, and market fluctuations, as well as variations in expert judgments and future energy demand. To enhance the robustness of the decision-making framework, future research should consider expanding the expert panel, employing alternative uncertainty modeling techniques, and conducting scenario-based analyses.