مقالة: استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة
استمرارًا لقسم مقالات اقتصادية، سوف نقدم لكم اليوم مقالة استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة. تُعد هذه المقالة من إعداد الباحث/ خويلد خليل السيد، مدير إدارة الحاسب الآلي – مركز التدريب المالي والاداري – الشركة المصرية لنقل الكهرباء. تحت إشراف الأستاذ الدكتور مدحت احمد عبد العال، أستاذ الإحصاء والرياضة – كلية التجارة – جامعة عين شمس، الدكتور احمد كامل السيد، مدرس بقسم الاحصاء والرياضة – كلية التجارة – جامعة عين شمس. تم نشر هذه المقالة في مجلة البحوث الإدارية والمالية والكمية.
اقرأ أيضًا: مقالة: أهمية استخدام الطاقات المتجددة في تحقيق التنمية السياحية المستدامة- تجارب دولية
المستخلص
هدفت الدراسة إلى تقييم ومقارنة كفاءة نماذج التنبؤ الحديثة بإنتاج الكهرباء من مصادر الطاقة المتجددة في مصر، باستخدام الشبكات العصبية الاصطناعية (ANN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) والنماذج الهجينة.
اعتمدت الدراسة على بيانات يومية فعلية لإنتاج الكهرباء من محطات الطاقة الشمسية في الزعفرانة وكوم أمبو، ومحطات طاقة الرياح في الزعفرانة وجبل الزيت، مع الاستعانة بمتغيرات مناخية خارجية.
أظهرت النتائج تفوق النموذج الهجين (ARIMAX + LSTM) بوجه عام، من حيث القدرة التفسيرية ودقة التنبؤ، مع أداء أكثر استقرارًا في التنبؤ بإنتاج الطاقة الشمسية مقارنة بسلاسل طاقة الرياح الأكثر تقلبًا.
خلصت الدراسة إلى أن دمج النماذج الإحصائية مع تقنيات التعلم العميق يسهم في تحسين دقة التنبؤ بإنتاج الكهرباء المتجددة، بما يدعم إدارة الأحمال ورفع كفاءة تشغيل منظومة الطاقة وتحقيق التوازن بين العرض والطلب.
الكلمات المفتاحية لدراسة استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة
- التنبؤ بالطاقة المتجددة
- النماذج الهجينة ARIMAX–LSTM
- الشبكات العصبية العميقة LSTM
قد يهمك أيضًا: مقالة: النمو العالمي المتسارع لمصادر الطاقة البديلة
الفئات المستهدفة
- مهندسو الطاقة المتجددة، للاستفادة من نماذج التنبؤ في تقدير إنتاج الكهرباء من مصادر الطاقة الشمسية والرياح، وتحسين التخطيط التشغيلي للمحطات وفقًا للتغيرات المتوقعة في الإنتاج.
- العاملون في محطات الطاقة الشمسية، لتوظيف نماذج التنبؤ في تقدير الإنتاج اليومي، ومتابعة تأثير الظروف المناخية، وتحسين الاستفادة من الطاقة المتاحة.
- العاملون في محطات طاقة الرياح، للاستفادة من النماذج الهجينة في التعامل مع تقلبات سرعة الرياح والتغيرات المناخية المفاجئة التي تؤثر في استقرار الإنتاج الكهربائي.
- مهندسو تشغيل وإدارة شبكات الكهرباء، لدعم التنبؤ بكميات الكهرباء المتجددة المتوقع إنتاجها، وتحسين توزيع الأحمال وتحقيق التوازن بين العرض والطلب.
- خبراء تخطيط وإدارة منظومة الطاقة في مصر، للاستفادة من نتائج النماذج في إعداد خطط تشغيلية أكثر دقة، وتعزيز دمج مصادر الطاقة المتجددة في منظومة الكهرباء.
- متخصصو الذكاء الاصطناعي وعلوم البيانات، لتطوير نماذج الشبكات العصبية الاصطناعية والتعلم العميق وتطبيقها في تحليل بيانات إنتاج الطاقة والتعامل مع الأنماط الخطية وغير الخطية.
- الباحثون في الإحصاء التطبيقي وتحليل السلاسل الزمنية، للاستفادة من المقارنة بين نماذج ARIMAX وANN وLSTM والنماذج الهجينة في تطوير أساليب التنبؤ وتحسين دقتها.
- خبراء الأرصاد الجوية والمناخ، لدراسة أثر المتغيرات المناخية في إنتاج الكهرباء المتجددة وتوفير بيانات تساعد على تحسين أداء النماذج التنبؤية.
- مسؤولو شركات الكهرباء والطاقة المتجددة، لدعم اتخاذ القرارات المتعلقة بتشغيل المحطات وتوزيع الموارد وتقدير الإنتاج المتوقع وتقليل مخاطر عدم استقرار الإمدادات.
- صانعو السياسات والاستراتيجيات الخاصة بالطاقة في مصر، للاستفادة من نتائج الدراسة في دعم خطط التوسع في الطاقة المتجددة وتحسين موثوقية التنبؤ بالإنتاج ضمن خطط التحول للطاقة النظيفة.
- المستثمرون ومطورو مشروعات الطاقة المتجددة، لتقدير مخاطر تقلب الإنتاج، وتحسين دراسات الجدوى والتخطيط التشغيلي، ودعم القرارات المتعلقة بإنشاء محطات الطاقة الشمسية وطاقة الرياح وتطويرها.
- الباحثون وطلاب الدراسات العليا في مجالات الهندسة الكهربائية والطاقة المتجددة والذكاء الاصطناعي، للاستفادة من منهجية الدراسة في إجراء بحوث مستقبلية حول دقة التنبؤ بالإنتاج الكهربائي ودمج النماذج الإحصائية مع تقنيات التعلم العميق.
ربما تبحث عن: مقالة: دور التمويل الأخضر للمشروعات الصغيرة والمتوسطة في تحقيق التنمية المستدامة
أهم معلومات المقالة
يمكنكم الوصول إلى مقالة استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة، من خلال زيارة الرابط التالي:
أما في هذا الجدول فسوف تجدون أهم المعلومات التي قد تحتاجونها عن المقالة:
| اسم المقالة | استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة |
| اسم الباحث | الباحث/ خويلد خليل السيد |
| تاريخ النشر | 2026م |
| عدد صفحات المقالة | 159 : 184 |
| اسم المجلة التي تم نشر المقالة بها | مجلة البحوث الإدارية والمالية والكمية، جامعة السويس – المجلد السادس العدد الثالث، سبتمبر 2026م. |
ربما تبحث عن: مقالة: الطاقة البيئية كإستراتيجية لتحقيق الإستدامة في الجزائر
في النهاية، نتمنى أن يفيدكم مقالنا اليوم عن استخدام نماذج الشبكات العصبية الاصطناعية (ANN) والنماذج الهجينة (LSTM + ARIMAX) في التنبؤ بإنتاج الكهرباء من المصادر المتجددة، ولا تنسوا أن تقوموا بمتابعتنا باستمرار لمعرفة المزيد.