کاربردهای هوش مصنوعی در سامانه‌های الکتریکی خورشیدی

مقالات , انرژی خورشیدی

کاربردهای هوش مصنوعی در سامانه‌های الکتریکی خورشیدی

نوامبر 23, 2025

کاربرد هوش مصنوعی در انرژی خورشیدی و نقش آن در بهبود عملکرد سامانه‌های فتوولتائیک یکی از الزامات دنیای امروز است. ادغام هوش مصنوعی (در سامانه‌های تولید توان خورشیدی نشان‌دهندهٔ تحولی عظیم در طراحی، بهینه‌سازی و مدیریت سامانه‌های انرژی تجدیدپذیر است. با در نظر گرفتن افزایش سهم انرژی خورشیدی در تولید جهانی برق، نیاز به سازوکارهای هوشمند و داده‌محور برای کنترل و پیش‌بینی، به‌صورت فزاینده‌ای حیاتی می‌شود. به‌کارگیری هوش مصنوعی در سامانه‌های هوشمند خورشیدی ابزارهای لازم را برای رفع چالش‌های متعددی که با تولید و توزیع توان خورشیدی همراه هستند، فراهم می‌آورد. چالش‌های اصلی در این زمینه عمدتاً شامل تغییرپذیری (variability)، ناپیوستگی یا وقفه در تولید توان (intermittency of the generated power) و همچنین ناخطی‌بودن سامانه (nonlinearity of the system) است. روش‌های هوش مصنوعی با استفاده از مدل‌سازی پیش‌بینانه (predictive modeling)، بهینه‌سازی تطبیقی (adaptive optimization) و تصمیم‌گیری خودمختار (autonomous decision-making) قادرند بر این چالش‌ها غلبه کنند ( Mishra et al., 2023).

الگوریتم‌های یادگیری ماشین و یادگیری عمیق ابزارهای قدرتمندی هستند که قادر به استخراج ویژگی‌های پیچیدهٔ فضازمانی (spatiotemporal attributes) از مجموعه‌ داده‌های هواشناسی و عملیاتی می‌باشند. این روش‌ها به‌طور گسترده برای پیش‌بینی تابش خورشیدی، بهبود راهبردهای تخصیص و توزیع انرژی و افزایش قابلیت اطمینان سامانه‌های فتوولتائیک مورد استفاده قرار می‌گیرند (Guermoi et al., 2022; Franco et al., 2025) علاوه بر این، از تکنیک‌های یادگیری ماشین برای رهگیری نقطه بیشینه توان، آشکارسازی خطا و نگهداشت پیش‌بینانه (predictive maintenance) نیز استفاده می‌شود تا بهره‌وری کلی و طول عمر سامانه‌های فتوولتائیک افزایش یابد (Abouzeid et al., 2024; Rukhsar et al., 2025; Ledmaoui et al., 2025)

ادغام هوش مصنوعی با اینترنت اشیاء موجب گسترش سامانه‌های هوشمند خورشیدی شده است، به‌طوری‌که این هم‌افزایی امکان پایش بلادرنگ (real-time monitoring)، آشکارسازی خطا و بهینه‌سازی از راه دور را از طریق شبکه‌ ای به‌هم‌پیوسته از حسگرها فراهم می‌سازد (Kaiss et al., 2025; Wali & Khan, 2021). با این حال، سامانه‌های IoT مبتنی بر هوش مصنوعی همچنان با چالش‌هایی در زمینهٔ کیفیت داده‌ها ، قابلیت تفسیر و تعمیم‌پذیری مدل‌ها روبه‌رو هستند. این مسائل موجب محدود شدن استقرار این سامانه ها در مقیاس بزرگ در کنترل سامانه‌های انرژی خورشیدی می‌شود (Ukoba et al., 2024; Afridi et al., 2021). 

افزایش روزافزون پژوهش‌ها در زمینهٔ کاربردهای هوش مصنوعی در سامانه‌های انرژی خورشیدی نشان‌دهندهٔ آن است که هوش مصنوعی به‌عنوان یکی از بازیگران اصلی، نقشی تعیین‌کننده در پیشرفت فناوری‌های خورشیدی به‌سمت بهره‌وری و سازگاری بیشتر ایفا می‌کند.با بهره‌گیری از این روش‌ها، حوزهٔ انرژی خورشیدی گام‌های چشمگیری به‌سوی عصر سامانه‌های کنترل توان خورشیدی خودتنظیم (self-regulating) برداشته است؛ سامانه‌هایی که قادرند به‌صورت مستقل پیش‌بینی ، بهینه‌سازی و نگهداشت عملکرد (maintain performance) خود را تحت شرایط محیطی پویا انجام دهند. این مقاله به بررسی برخی از کاربردهای کلیدی هوش مصنوعی و چالش‌های مرتبط با آن‌ها در سامانه‌های انرژی خورشیدی می‌پردازد، از جمله: پیش‌بینی تابش مستقیم ، مدیریت و توزیع انرژی ، اینترنت اشیاء ، آشکارسازی خطا و نگهداشت پیش‌بینانه.

برای آشنایی بیشتر با مقالات انرژی خورشیدی شرکت پگاه انرژی پارسیان می‌توانید صفحه مقالات را مشاهده کنید.

 

۱- طرح کلی الگوریتم‌ها، تکنیک‌ها و روش‌های یادگیری ماشین

یادگیری ماشین و هوش مصنوعی به‌صورت فزاینده‌ای در سامانه‌های تولید توان خورشیدی ادغام می‌شوند، زیرا این فناوری‌ها به بهبود عملکرد کلی سامانه کمک می‌کنند. شکل ۱ طبقه‌بندی کلی‌ای از تکنیک‌های یادگیری ماشین را نشان می‌دهد. سامانه‌های انرژی خورشیدی از توانایی یادگیری ماشین در یادگیری از داده‌های تاریخی و بلادرنگ بهره می‌برند تا پاسخ‌هایی ارائه دهند که نسبت به شرایط محیطی متغیر تطبیق‌پذیرتر باشند.

برای نمونه: روش‌های یادگیری نظارت‌شده (supervised learning)، که  در آن‌ها با استفاده از داده‌های برچسب‌دار، مدل نگاشتی از ورودی‌ها به خروجی‌های هدف می‌آموزد،  مانند رگرسیون بردار پشتیبان برای پیش‌بینی به‌کار می‌روند. تکنیک‌های یادگیری بدون نظارت (unsupervised learning)، که به کشف ساختارهای پنهان در داده‌های بدون برچسب می‌پردازند،  به شناسایی الگوها در رفتار سامانه کمک می‌کنند. روش‌های یادگیری تقویتی (reinforcement learning) امکان تصمیم‌گیری بلادرنگ (real-time decision making) را فراهم می‌سازند. مدل‌های یادگیری عمیق مانند شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANNs)، شبکه‌های عصبی پیچشی (Convolutional Neural Networks – CNNs) و شبکه‌های عصبی بازگشتی (Recurrent Neural Networks – RNNs) برای مدیریت داده‌های پیچیدهٔ فضایی و زمانی مورد استفاده قرار می‌گیرند و دقت در طبقه‌بندی و پیش‌بینی را بهبود می‌دهند.در کنار تکنیک‌های مدل‌سازی، انتخاب ویژگی‌ها (feature selection) نیز نقشی به همان اندازه مهم در تعیین کارایی و قابلیت اعتماد مدل دارد. فرآیند انتخاب ویژگی، مؤثرترین ورودی‌های مدل را شناسایی کرده و بنابراین در افزایش کارایی و دقت مدل نقش کلیدی ایفا می‌کند.در ادامه، مروری اجمالی بر انتخاب ویژگی‌ها، یادگیری ماشین، یادگیری عمیق و تکنیک‌های فرا‌یادگیری (meta-learning techniques) ارائه می‌شود. شایان ذکر است که در این زمینه، اصطلاح مدل‌سازی به توصیف داده‌محور رفتار سامانهٔ خورشیدی تحت شرایط محیطی و عملیاتی پویا اشاره دارد.

 

۱-۱- انتخاب ویژگی ها

انتخاب ویژگی‌ها فرآیندی است که با انتخاب موثرترین متغیرهای ورودی برای مدل پیش‌بینی، به کاهش نویز و افزایش دقت پیش‌بینی کمک می‌کند. برای این منظور ، از الگوریتم‌های مختلف یادگیری ماشین استفاده می‌شود (Castangia et al. 2021). شکل 2 نموداری ساده را نشان می‌دهد که چگونگی عملکرد انتخاب ویژگی را توضیح می‌دهد. سطر نخست تمام ویژگی‌های موجود در مجموعه داده را نشان می‌دهد. سطر دوم شامل ویژگی‌های مهم‌تر است که توسط الگوریتم انتخاب ویژگی شناسایی شده‌اند. سطر آخر مجموعه‌دادهٔ هرس‌شده (pruned dataset) را نمایش می‌دهد که تنها ی تأثیرگذارترین ویژگی‌ها را در بر‌می‌گیرد.

در این مقاله، انتخاب ویژگی (feature selection) به‌صورت جداگانه برشمرده شده است تا از پیش‌بینی  به صورت مستقیم (direct prediction) متمایز گردد. با اتکا به این پایه، اکنون می‌توانیم به بررسی رویکردهای اصلی مدل‌سازی مبتنی بر هوش مصنوعی که در کاربردهای خورشیدی  مورد استفاده قرار می‌گیرند، بپردازیم.

 

۲-۱- روش‌های متداول مدل‌سازی هوش مصنوعی در سامانه‌های خورشیدی

روش‌های متعددی در مدل‌سازی سامانه‌های انرژی خورشیدی به‌کار گرفته می‌شوند. در ادامه، این نوشتار متداول‌ترین الگوریتم‌ها و طبقه‌بندی آن‌ها را بر اساس منابع علمی مرور می‌کند.

 

۱-۲-۱- تکنیک‌های یادگیری ماشین

اگرچه نویسنده می‌پذیرد که روش‌های یادگیری عمیق معمولاً به‌عنوان زیرمجموعه‌ای از تکنیک‌های یادگیری ماشین طبقه‌بندی می‌شوند، اما در اینجا این دو گروه به‌صورت مجزا بررسی می‌شوند تا بتوان بخش مشخص‌تری به هرکدام اختصاص داد. ازاین‌رو، اصطلاح «روش‌های یادگیری ماشین» به تکنیک‌هایی اشاره دارد که برخلاف روش‌های یادگیری عمیق، بدون استفاده از شبکه‌های عصبی چندلایه (multi-layer neural networks) برای یادگیری ویژگی‌ها، عمل طبقه‌بندی و پیش‌بینی را انجام می‌دهند. لازم به یادآوری است که این امر منجر به نیاز کمتر به داده‌های آموزشی و شفافیت بیشتر مدل می‌شود.

روش‌های مختلف یادگیری ماشین برای مدل‌سازی الگوهای ناخطی مشاهده‌شده در شرایط جوی به کار می‌روند، از جمله:

• رگرسیون بردار پشتیبان : این روش مقادیر پیوسته یا گسسته را با یافتن اَبَرصفحه‌ای که بهترین برازش را برای داده‌ها در حاشیه‌ی حساسیت نسبت به ε ایجاد کند، پیش‌بینی می‌کند. SVR بر حداکثرسازی تختی تابع (maximizing flatness) تمرکز دارد، در حالی که انحراف‌های مجاز (خطاها) توسط ε و پارامترهای منظم‌سازی کنترل می‌شوند (Khanna & Awad., 2015).
• افزایش گرادیان حدی (Extreme Gradient Boosting – XGBoost) و CatBoost: این دو الگوریتم از خانوادهٔ تقویت گرادیانی (gradient boosting) هستند که مدل‌های پیش‌بینی قدرتمندی را از طریق ترکیب خروجی چندین یادگیرندهٔ ضعیف به‌صورت متوالی برای کاهش خطا ایجاد می‌کنند. هر دو معمولاً از درخت تصمیم (decision trees) به‌عنوان یادگیرندهٔ ضعیف استفاده می‌کنند. XGBoost برای سرعت و کارایی بهینه‌سازی شده است، در حالی که CatBoost قابلیت ویژه‌ای در مدیریت داده‌های رده‌ای به‌صورت ذاتی دارد و از بیش‌برازش (Overfitting) جلوگیری می‌کند (Chen & Guestrin, 2016). 

 

۲-۲-۱- یادگیری عمیق (Deep Learning)

شبکه‌های عصبی مصنوعی با لایه‌های پنهان چندگانه (multi-hidden layers)، تکنیک‌های یادگیری عمیق را قادر می‌سازند تا به‌صورت خودکار الگوها و ویژگی‌های داده ها را بیاموزند. با این حال، در برخی موارد معماری شبکه‌های عصبی عمیق نیازمند پاک‌سازی داده (data cleaning) ومهندسی ویژگی (feature engineering) است. این روش‌ها نسبت به روش‌های کلاسیک یادگیری ماشین مانند رگرسیون‌ها به داده و توان محاسباتی بیشتری برای آموزش نیاز دارند، اما توانایی بالایی در تشخیص الگوهای غیر خطی پیچیده دارند.

شبکه عصبی چند لایه (Multi-layer Percepton-MLP): نوع پایه‌ای از شبکه‌های عصبی مصنوعی است که از لایه‌های نورون شامل ورودی، یک یا چند لایه پنهان و خروجی تشکیل شده است. MLP داده‌ها را به‌صورت خطی از ورودی به خروجی (feedforward) پردازش می‌کند و برای وظایف تشخیص الگوهای ساده مناسب هستند، اما در مواجهه با داده‌های سری زمانی یا فضایی دچار محدودیت می‌شود زیرا هر ورودی را به‌طور مستقل پردازش می‌کند (Pinkus et al., 2008). 

شبکه‌های عصبی بازگشتی (Recurrent Neural Networks-RNN): برای پردازش داده‌های ترتیبی (sequential data) مانند سری‌های زمانی یا  داده‌های زبان طبیعی طراحی شده‌اند. این شبکه‌ها دارای حلقه‌هایی در ساختار خود هستند که به آن‌ها اجازه می‌دهد اطلاعات گذشته را «به خاطر بسپارند». این حافظه آن‌ها را برای پیش‌بینی سری‌های زمانی مناسب می‌سازد، هرچند با مشکلاتی مانند ناپدید شدن گرادیان‌ها (vanishing gradients) روبه‌رو هستند (Sherstinsky, 2020).

شبکه‌های عصبی پیچشی (Convolutional Neural Networks – CNNs): برای پردازش داده‌های شبکه‌مانند (grid-like data) مانند تصاویر یا نقشه‌های آب‌و‌هوایی فضایی طراحی شده‌اند. CNNها از کانولوشن‌ها (convolutions) برای تشخیص خودکار الگوهایی مانند لبه‌ها استفاده می‌کند. در انرژی خورشیدی، این شبکه‌ها قادرند الگوهای فضایی (spatial patterns) را از تصاویر ماهواره‌ای یا شبکه‌های حسگری با وضوح بالا (satellite imagery or high-resolution sensor grids) استخراج کنند (Yin et al., 2017).

 

۳-۲-۱- فرا‌یادگیری (Meta Learning)

فرا‌یادگیری (Meta-learning) که به‌عنوان «یادگیری برای یادگیری» نیز شناخته می‌شود، روشی است که در آن یک مدل هوش مصنوعی سطح بالاتر (meta model) می‌آموزد که چگونه چندین مدل پیش‌بینی دیگر را به صورتی بهینه ترکیب یا تنظیم کند. در روش‌های سنتی، از یک الگوریتم پیش‌بینی منفرد استفاده می‌شده است، اما در فرا‌یادگیری، الگوریتم اصلی نقاط قوت مدل‌های مختلف را، با وجود سوگیری‌های متفاوت آن‌ها ، ترکیب می‌کند و سپس با استفاده از یک الگوریتم یادگیری ماشین سطح بالاتر تصمیم می‌گیرد که آیا به خروجی هر مدل باید اعتماد کرد یا خیر. ماشین تورینگ عصبی (Neural Turing Machine – NTM) با فراهم کردن امکان ذخیره‌سازی، بازیابی و انطباق دانش از وظایف گذشته، از طریق یک حافظهٔ خارجی، به مدل اجازه می‌دهد در میان مسائل مختلف، «چگونگی یادگیری» را بیاموزد. فرادنبه و صافی اصفهانی، معماری یک ماشین تورینگ عصبی (NTM) را ارائه کرده‌اند که شامل یک کنترل‌کننده است؛ این کنترل‌کننده یک شبکهٔ عصبی بازگشتی می‌باشد. کنترل‌کننده از طریق ماتریس حافظهٔ خارجی با استفاده از سرهای خواندن و نوشتن (read/write heads) تعامل دارد. سرهای خواندن با استفاده از جمع‌های وزنی اطلاعات را بازیابی می‌کنند، در حالی که سرهای نوشتن داده‌های ذخیره‌شده را از طریق عملیات حذف و افزودن (erase/add operations) اصلاح می‌کنند. این فرایند موجب می‌شود مدل بتواند وظایف الگوریتمی را یاد بگیرد و وابستگی‌های بلندمدت (long-term dependencies) را ذخیره کند (Faradonbeh & Safi-Esfahani, 2020).

نویسنده به‌طور هدفمند جزئیاتی مانند استخراج روابط ریاضی ، معماری‌ها و فراپارامترها (hyperparameters) را از دامنهٔ این کار حذف کرده و صرفاً در صورت لزوم به الگوریتم‌ها اشاره می‌کند؛ چراکه هدف این نوشتار تمرکز صرف بر کاربردهای هوش مصنوعی در سامانه‌های خورشیدی است. این بخش، تکنیک‌های مدل‌سازی هوش مصنوعی به‌کاررفته در سامانه‌های انرژی خورشیدی را در سه دستهٔ یادگیری ماشین ، یادگیری عمیق و فرا‌یادگیری طبقه‌بندی می‌کند. در حالی‌که تکنیک‌های یادگیری ماشین شفافیت و کارایی بیشتری ارائه می‌دهند، روش‌های یادگیری عمیق قادرند الگوهای غیرخطی پیچیده را از مجموعه‌های داده‌ بزرگ (Big Data) استخراج کنند، و الگوریتم‌های فرا‌یادگیری با ترکیب چندین مدل و بهینه‌سازی تطبیقی بر اساس روش یادگیری آن‌ها عملکرد مدل را بهبود می‌بخشند.

 

۲- پیش‌بینی تابش مستقیم خورشیدی با استفاده از هوش مصنوعی

تابش مستقیم خورشیدی که به آن پرتو مستقیم (direct beam) نیز گفته می‌شود، نقش اساسی در طراحی سامانه‌های انرژی خورشیدی دارد و پیش‌بینی آن شامل تخمین تابش مستقیم نرمال (Direct Normal Irradiance – DNI) است. DNI مقدار نوری است که بدون پراکندگی در جو به سطح زمین می‌رسد و برحسب وات بر متر مربع (W/m²) بیان می‌شود. DNI بخش حیاتی از تابش خورشیدی است که برای عملکرد سامانه‌های فتوولتائیک و عملیات شبکه اهمیت دارد. پیش‌بینی دقیق تابش خورشیدی بخش ضروری طراحی یک سامانه خورشیدی است، زیرا دقت بیشتر در این پیش‌بینی‌ها به اپراتورها امکان می‌دهد برنامه‌ریزی مصرف بهینه انرژی انجام داده و از بروز خرابی‌های پیش‌بینی‌نشده جلوگیری کنند. با این حال، از آنجا که شرایط جوی (مانند ابرها، ذرات معلق و رطوبت) متغیر و غیرخطی هستند، مدل‌های سنتی غالباً در ارائه نتایج قابل اعتماد ناتوان‌اند (Teta et al. 2024). ازاین‌رو، استفاده از مدل‌های هوش مصنوعی که دقت بالاتر و زمان اجرای کمتری دارند، برای مدل‌سازی ناپیوستگی (intermittency) و رفتار تصادفی ضروری است (Arman et al., 2023). افزون بر این، میشرا و همکاران اعلام کرده‌اند که مدل‌های پیش‌بینی بهبودیافته امکان برنامه‌ریزی دقیق‌تر تولید توان فتوولتائیک و زمان‌بندی روان‌تر شبکه را فراهم می‌کنند. همچنین، پیش‌بینی دقیق‌تر وضعیت هوا به افزایش بهره‌وری سیستم و بهبود عملکرد اقتصادی منجر می‌شود (Mishra et al. 2023). بخش زیر به بررسی مطالعات موردی و چالش‌های مرتبط در پیش‌بینی تابش مستقیم خورشید با استفاده از هوش مصنوعی می‌پردازد:

 

۱-۲- مطالعات موردی پیش‌بینی تابش مستقیم خورشیدی

یکی از موانع اصلی در این زمینه، انتخاب داده‌های مناسب برای مدل‌ها است. مجموعه‌ داده‌های هواشناسی معمولاً شامل تعداد زیادی متغیر پیش‌بینی‌کننده هستند، اما تنها بخش محدودی از آن‌ها باید مورد استفاده قرار گیرند. بنابراین، انتخاب ویژگی‌ها مطابق با (Solano et al. 2022) برای یافتن مهم‌ترین متغیرهای محیطی یا عملیاتی در میان داده‌های گسترده اهمیت دارد.یک روش رایج برای انتخاب ویژگی‌ها استفاده از روش‌های تجمعی (ensemble methods) است که متغیرهایی مانند دما ، رطوبت، سرعت باد و مقادیر قبلی آن‌ها را در نظر می‌گیرند تا قوی‌ترین پیش‌بینی‌کننده‌های تابش تعیین شوند (Solano et al. 2022). یادگیری تجمعی (ensemble learning) اغلب عملکرد الگوریتم‌های مدل‌سازی را با استفاده از میانگین‌گیری مدل‌ها و پشته‌سازی (stacking) افزایش می‌دهد، به‌طوری که پیش‌بینی‌های چندین مدل توسط یک فرا‌یادگیرنده (meta-learner) ترکیب می‌شوند تا دقت و تعمیم‌پذیری بهبود یابد.

هوانگ و همکاران روشی ساده برای پیش‌بینی تابش مستقیم خورشیدی معرفی کرده‌اند. روش آن‌ها با جمع‌آوری داده‌های هواشناسی مانند دما، رطوبت و مدت زمان تابش آفتاب آغاز می‌شود. سپس داده‌ها پیش‌پردازش (preprocessed) شده و تحلیل همبستگی (correlation analysis) برای انتخاب ویژگی انجام می‌شود. داده‌های پاک‌سازی و پردازش‌شده به سه الگوریتم یادگیری ماشین شامل جنگل تصادفی (Random Forest)، ماشین‌های بردار پشتیبان (Support Vector Machines) و شبکه‌های عصبی مصنوعی (Artificial Neural Networks) داده می‌شوند تا برای پیش‌بینی سطح تابش خورشیدی آموزش ببینند(Huang et al. 2021).

ماشین‌های بردار پشتیبان به‌عنوان یکی از مؤثرترین الگوریتم‌ها شناخته می‌شوند، به‌ویژه زمانی‌که با روش‌های تجمعی ترکیب شوند تا ضعف هر مدل منفرد جبران شود. به‌عنوان مثال، به‌جای آموزش مدل صرفاً بر پایهٔ SVR، پژوهشگران اغلب میانگین پیش‌بینی‌های SVR را برای دستیابی به دقت بالاتر به‌کار می‌برند (Solano et al. 2022). در زمینهٔ پیش‌بینی تابش مستقیم خورشیدی، روش‌های فرا‌یادگیری (meta-learning methods) نیز مفید هستند، زیرا به سیستم کمک می‌کنند با تغییرات ناگهانی الگوهای آب‌وهوایی مانند ابری شدن یا طوفان‌های گرد و غبار سازگار شود؛ عواملی که معمولاً مدل‌های منفرد را دچار خطا می‌کنند (Rai et al., 2025).

در عمل، یک فرا‌یادگیرنده مبتنی بر پشته‌سازی (stacking-based meta-learner) بر اساس پیش‌بینی سایر مدل‌ها مانند رگرسیون خطی (linear regression)، شبکه‌های عصبی (neural networks) یا درخت تصمیم (decision trees)، آموزش داده می‌شود و یاد می‌گیرد کدام مدل در شرایط متغیر بهترین نتایج را ارائه می‌دهد. این روش‌ها معمولاً منجر به مدلی پایدارتر می‌شوند که قادر است پیش‌بینی تابش خورشیدی را در طول زمان تعمیم دهد. دقت بالاتر حاصل از این مدل‌ها امکان برنامه‌ریزی بهتر تولید توان فتوولتائیک، توزیع انرژی (energy dispatching) و افزایش قابلیت اطمینان شبکه را در مراحل بعدی طراحی فراهم می‌کند (Nwokolo et al. 2022). برای مثال، روش‌های پشته‌سازی از مدلی مجزا در لایه دوم استفاده می‌کنند که بر پایه خروجی مدل‌های پیش‌بینی‌کننده‌های لایه اول آموزش می‌بیند و به مدل هوش مصنوعی اجازه می‌دهد سوگیری‌های (biases) مختلف را ترکیب کرده و به‌ویژه در شرایط آب‌وهوایی غیر عادی، تعمیم بهتری ارائه دهد (Huang et al. 2021).

 

۲-۲- چالش‌های پیش‌بینی تابش مستقیم خورشیدی (Forecasting Direct Solar Irradiation Challenges)

پیش‌بینی تابش خورشیدی با استفاده از هوش مصنوعی و یادگیری عمیق با چالش‌های گوناگونی روبه‌رو است. تکنیک‌های یادگیری عمیق مانند MLP، LSTM و GRU در انجام پیش‌بینی‌های دقیق تابش خورشیدی بسیار امیدبخش هستند؛ بااین‌حال، این روش‌ها، به‌ویژه در کاربردهای مربوط به پیش‌بینی سری‌های زمانی، اغلب نیازمند بهینه‌سازی دقیق و تنظیم فرا پارامترها (hyperparameter) هستند (Dhake et al., 2023). افزون بر این، پیش‌بینی فضازمانی تابش خورشیدی با پیچیدگی‌های محاسباتی و ریاضی همراه است، به‌ویژه هنگامی که به‌ مسئله صورت یادگیری توزیع گرافی (graph distribution learning) فرموله شود (Zhang et al., 2023) . این نوع فرمولاسیون در زمانی‌ که از شبکه‌های عصبی گرافی (Graph Neural Networks – GNNs) استفاده می‌شود کاربرد دارد. رویکردهای ترکیبی که چندین الگوریتم مانند الگوریتم‌های ژنتیکی (genetic algorithms)، شبکه‌های عصبی پس‌انتشار (back-propagation neural networks) و سازوکارهای یادگیری تطبیقی (adaptive learning mechanisms) را ادغام می‌کنند، تلاش دارند تا این محدودیت‌ها را برطرف سازند (Zhang et al., 2023). با این حال، دستیابی به پیش‌بینی‌های احتمالاتی قابل اعتماد همراه با ایجاد تعادل میان قابلیت اعتماد و پایداری  همچنان دشوار است. چالش اصلی، مدل‌سازی دقیق روابط غیر خطی در عین مدیریت تغییرات فصلی و وابستگی به شرایط جوی در داده‌های سری زمانی پیوسته است (Assaf et al., 2023).

پیش‌بینی تابش خورشیدی به‌شدت متکی بر انتخاب ویژگی‌های مؤثر و ترکیب متنوع  تکنیک‌های مدل‌سازی  مانند یادگیری تجمعی و فرا‌یادگیری برای افزایش دقت پیش‌بینی است. با وجود پیشرفت در مدل‌های یادگیری عمیق و ترکیبی ، همچنان مسائلی در بهینه‌سازی پیش‌بینی‌های سری زمانی باقی می‌مانند، که ناشی از پیچیدگی الگوهای آب‌وهوایی و نیاز به پیش‌بینی‌های قابل اعتماد و تطبیق‌پذیر در شرایط محیطی متغیر هستند.

 

۳- ردیابی نقطهٔ بیشینه توان (MPPT) با هوش مصنوعی

نقطهٔ بیشینه توان یک پنل فتوولتائیک، نقطهٔ عملکرد ماژول ( ولتاژ یا جریان متناظر آن) است که بیشترین توان خروجی ممکن از ماژول را تولید می‌کند. شکل 8 نقطهٔ MPPT بر روی منحنی جریان–ولتاژ یک پنل خورشیدی معمولی نمایش داده شده است، که در آن Imp و Vmp به ترتیب جریان و ولتاژ متناظر با این نقطهٔ بیشینه توان را نشان می‌دهند. در این راستا، ردیابی نقطهٔ بیشینه توان (Maximum Power Point Tracking – MPPT) یک روش کنترلی است که به پنل‌های فتوولتائیک کمک می‌کند تا در شرایط عملکردی متغیر، در بیشترین توان خروجی خود کار کنند (Abouzeid et al. 2024). روش‌های MPPT مبتنی بر هوش مصنوعی با استفاده از داده‌های حسگرها، نقطهٔ بیشینه توان (MPP) را تقریب زده یا پیش‌بینی کرده و سپس چرخهٔ وظیفه (Duty Cycle) را برای رسیدن سریع به نقطهٔ MPP تنظیم می‌کنند.

روش‌های MPPT مبتنی بر هوش مصنوعی قادرند نوسانات را کاهش داده و از به دام افتادن سیستم در بیشینه‌های موضعی (ناشی از سایه‌اندازی جزئی) جلوگیری کنند (Yap et al., 2020). از آنجا که نقطهٔ توان بهینهٔ ماژول به شدت به عوامل محیطی مانند تابش، دما و بار وابسته است، تکنیک‌های MPPT ولتاژ یا جریان ماژول را برای استخراج بیشترین توان قابل دسترس تنظیم می‌کنند. الگوریتم‌های MPPT معمولاً در مبدل‌های توان (مانند مبدل‌های DC-DC و کنترل‌کننده‌های شارژ) به کار می‌روند تا به طور پیوسته چرخهٔ وظیفه را تنظیم کنند و اطمینان دهند که ماژول PV همواره در شرایط بار بهینه‌ای کار می‌کند که برای عملکرد در نقطهٔ MPP لازم است. روش‌های اختلال و مشاهده (Perturb and Observe – P&O) و رسانایی افزایشی (Incremental Conductance – IC) از رایج‌ترین روش‌های MPPT به شمار می‌روند، زیرا طراحی ساده‌ای دارند؛ با این حال، در مواجهه با تغییرات محیطی مانند سایه‌اندازی جزئی یا تغییرات روزانه دما دچار مشکل می‌شوند. به همین دلیل، پژوهش‌های جدید، توسعهٔ روش‌های پیشرفته‌تر MPPT را پیشنهاد کرده‌اند (Ali et al. 2025).

 

۱-۳- مطالعات موردی MPPT مبتنی بر هوش مصنوعی

مطالعات اخیر نشان داده‌اند که استفاده از روش‌های مختلف هوش مصنوعی در MPPT موجب بهبود برداشت انرژی از سامانهٔ فتوولتائیک در مقایسه با روش‌های سنتی می‌شود (Rukhsar et al. 2025).  در پژوهش ابوزید و همکاران  یک کنترل‌کنندهٔ MPPT داده‌محور مبتنی بر شبکهٔ عصبی مصنوعی ارائه و ارزیابی شد که قادر بود نقطهٔ عملکرد سامانهٔ PV را در زمان واقعی تنظیم کند و بازده ردیابی 98.16٪ و پاسخ سریع حدود 1.3 ثانیه‌ای را به دست آورد. علاوه بر این، یادگیری تقویتی به ویژه Q-Learning، به عنوان روشی برای کنترل تطبیقی و تصمیم‌گیری داده‌محور در محیط‌های متغیر با زمان معرفی شده است(Abouzeid et al. in 2024). برای نمونه، ایمایا از رویکرد یادگیری تقویتی در MPPT استفاده کرد. در این مطالعه، ایمایا، 2025کنترل‌کننده‌ای مبتنی بر Q-Learning ارائه داد که از نظر دقت و بازده انرژی نسبت به روش‌های متداول عملکرد بهتری داشت(Eyimaya, 2025).

این کنترل‌کننده بدون نیاز به مدل از پیش تعیین‌شدهٔ PV قادر است به صورت پویا چرخهٔ وظیفهٔ بهینه را بیاموزد. مطالعات بسیاری از طرح‌های ترکیبی هوش مصنوعی (Hybrid AI) بهره گرفته‌اند و در متون تخصصی، کنترل‌کننده‌های منطق فازی و سامانه‌های استنتاج عصبی-فازی تطبیقی (Adaptive Neuro-Fuzzy Inference System – ANFIS) به کرّات ذکر شده‌اند. در این سامانه ها قابلیت تفسیرپذیری سامانه‌های مبتنی بر قواعد با توان یادگیری شبکه‌های عصبی ترکیب می‌شود تا سامانه در برابر شرایط نامعین و غیرخطی مقاوم باقی بماند. برای نمونه، ادایانان و همکاران سامانهٔ ANFIS را با نسخهٔ اصلاح‌شده‌ای از بهینه‌ساز گرگ خاکستری (Grey Wolf Optimizer) ترکیب کردند که نتیجهٔ آن تشخیص سریع نقطهٔ MPP همراه با دقت بالای ردیابی بود(Udayanan et al. 2024). این مطالعات موردی نشان می‌دهند که روش‌های MPPT مبتنی بر هوش مصنوعی قادرند پاسخ‌های مؤثرتری به تغییرات دینامیکی عوامل محیطی ارائه دهند و در نتیجه، بازده کلی سامانه را نسبت به روش‌های سنتی MPPT افزایش دهند.

 

۲-۳- چالش‌های MPPT مبتنی بر هوش مصنوعی

با وجود نتایج ایده‌آل، استفاده از روش‌های مبتنی بر هوش مصنوعی در ردیابی نقطهٔ بیشینه توان همچنان با چالش‌های متعددی روبه‌رو است. نخست، روش‌های مبتنی بر هوش مصنوعی به حجم زیادی از داده‌های آموزشی و تنظیم دقیق پارامترها وابسته‌اند (Ali et al. 2025). دوم، خطر همگرایی زودرس (Premature Convergence) در هنگام استفاده از روش‌های مبتنی بر هوش مصنوعی در MPPT وجود دارد، به‌ویژه هنگامی که شرایط محیطی فراتر از سناریوهای آموزش تغییر کند (Rukhsar et al. 2025). همچنین، به‌کارگیری این الگوریتم‌ها ممکن است هزینهٔ سخت‌افزاری را افزایش دهد زیرا نسبت به الگوریتم‌های سنتی پیچیده‌تر هستند (Rukhsar et al. 2025).

علاوه بر این، محدودیت‌های پیش بینی بلادرنگ و تأخیر در استنتاج هنگام تغییرات سریع تابش یا دما می‌تواند موجب تأخیر در ردیابی شود. همچنین، تغییر دامنه (Domain Shift) میان فناوری‌های مختلف ماژول‌ها، مانند توپولوژی مبدل‌ها، سیم‌کشی، و اقلیم محلی، می‌تواند دقت سیستم را کاهش دهد (Ali et al. 2025). افزون بر این، نویز حسگر، داده‌های ناقص، و تهدیدهای امنیت سایبری می‌توانند کنترل‌کننده را گمراه کنند (Rukhsar et al. 2025). 

روش‌های MPPT مبتنی بر هوش مصنوعی با انجام ردیابی سریع، تطبیقی و بسیار دقیق نقطهٔ بیشینه توان در شرایط محیطی متغیر، موجب بهبود عملکرد و بازده سامانه‌های فتوولتائیک می‌شوند. با این حال، اجرای این روش‌ها با چالش‌هایی چون نیاز به داده‌های آموزشی گسترده، حساسیت به تغییر دامنه، و افزایش پیچیدگی و هزینهٔ سامانه همراه است.

 

۴- پیش‌بینی تقاضا و موازنهٔ بار

پیش‌بینی تقاضا یا پروفیل بار الکتریکی به مجموعه‌ای از روش‌ها اشاره دارد که میزان مصرف توان آینده را در بازه‌های زمانی مختلف برآورد می‌کنند. پیش‌بینی دقیق تقاضا برای اپراتورهای شبکه حیاتی است، زیرا به آن‌ها کمک می‌کند تا تولید و مصرف برق را در زمان واقعی متعادل کرده و از ناپایداری شبکه و خاموشی‌های گسترده جلوگیری نمایند (Franco et al., 2025).
پیش‌بینی بار در سامانه‌های تولید انرژی خورشیدی به سه دلیل اصلی از اهمیت ویژه‌ای برخوردار است: نخست، برخلاف نیروگاه‌های متداول، خروجی فتوولتائیک ناپایدار و وابسته به شرایط جوی است که هم‌ترازی میان بار و تولید را پیچیده می‌سازد. دوم، نیروگاه‌های خورشیدی و سایر منابع تجدیدپذیر اکنون حدود 30٪ از تولید برق جهانی را تشکیل می‌دهند (Franco et al., 2025). سوم، پژوهش‌ها تأکید دارند که پیش‌بینی دقیق تقاضا برای حفظ عملکرد پایدار و متوازن در سامانه‌های توان فتوولتائیک بسیار ضروری است، زیرا ذخیره‌سازی انرژی در مقیاس وسیع همچنان محدود است (Franco et al., 2025). در چنین بستری، پیش‌بینی تقاضا و تولید انرژی امری اجتناب‌ناپذیر است.

روش‌های سنتی پیش‌بینی بار (مانند مدل‌های آماری سری زمانی) در شناسایی اثرات غیرخطی ناشی از گسترش سامانه‌های فتوولتائیک با دشواری روبه‌رو هستند. به عنوان مثال، این روش‌ها هنگام تغییرات سریع تولید خالص در روزهای ابری در مقایسه با روزهای آفتابی یا هنگام تغییر الگوهای مصرف خانوارهایی که از برق خورشیدی خود استفاده می‌کنند، دچار خطا می‌شوند (Franco et al., 2025). این کاستی‌ها باعث شده‌اند که روش‌های هوش مصنوعی به عنوان راهکار کلیدی برای پیش‌بینی تقاضای انرژی در دوران مدرن مطرح شوند. روش‌های هوش مصنوعی قادرند از داده‌های حجیم بیاموزند و پیچیدگی را مدیریت کنند. در واقع، پیشرفت‌های اخیر در حوزهٔ هوش مصنوعی امکان پیش‌بینی تطبیقی تقاضای انرژی را فراهم کرده‌اند که دقت بالاتری داشته و به تثبیت عملکرد شبکه در حضور منابع تجدیدپذیر ناپایدار کمک می‌کند (Razak et al. 2025).

 

۱-۴- مطالعات موردی پیش‌بینی تقاضا با هوش مصنوعی

مطالعات متعددی از تکنیک‌های یادگیری ماشین برای پیش‌بینی تقاضای برق در سامانه‌های انرژی تجدیدپذیر با بهره‌گیری از روش‌های یادگیری نظارت‌شده (Supervised Learning) مانند درخت تصمیم (Decision Tree)، جنگل تصادفی (Random Forest) و ماشین بردار پشتیبان (Support Vector Machine) استفاده کرده‌اند (Aquila et al., 2023). شکل 12 برگرفته از پژوهش اسدی و همکاران است که در آن، مصرف برق در ایران طی سال‌های ۲۰۲۱ تا ۲۰۴۰ با استفاده از مدل ARIMA و هموارسازی نمایی پیش‌بینی شد. نتایج نشان دادند که مصرف سالانهٔ برق از 284.8 تراوات‌ساعت در سال 2019 به حدود 507.5 تراوات‌ساعت در سال 2040 افزایش خواهد یافت (با نرخ رشد سالانه 3.72٪) و مقدار خطای میانگین مطلق درصدی (MAPE) برابر با 1.44٪ بوده است(Asadi et al. 2023). پیش‌بینی بار کوتاه‌مدت را می‌توان با بهره‌گیری از مدل‌های ترنسفورمر (Transformers) و سازوکارهای توجه (Attention Mechanisms) بهبود بخشید، زیرا این مدل‌ها بر گام‌ها و کانال‌های زمانی حاوی بیشترین اطلاعات تمرکز می‌کنند (Lu et al., 2024).

پژوهش‌های اخیر به طور فزاینده‌ای از معماری‌های یادگیری عمیق استفاده کرده است، زیرا این معماری‌ها قادرند ساختارهای زمانی را به خوبی نمایش دهند. برای نمونه، مدل‌های بازگشتی (LSTM و GRU) قادرند تناوب‌های روزانه و هفتگی و پویایی‌های درون‌روزی را ثبت کنند. پیش‌بینی‌های کوتاه‌مدت آب‌وهوا و تابش به عنوان ورودی به این الگوریتم‌ها داده می‌شوند تا نوسانات بار خالص را تقریب بزنند (Dhaked et al., 2023). علاوه بر این، از آنجا که شبکه‌های عصبی پیچشی (CNN) قادرند پروفیل‌های بار با فرکانس بالا و داده‌های آب‌وهوایی مکانی–زمانی را برای استخراج ویژگی(Feature Extraction) تحلیل کنند، می‌توان آن‌ها را با مدل‌های LSTM ترکیب کرد تا از مزایای استخراج الگوهای محلی و حافظهٔ زمانی بلندمدت به‌طور هم‌زمان بهره برد (Guo et al., 2025). سایر مدل‌های ترکیبی نیز به طور گسترده مورد استفاده قرار گرفته‌اند. در مطالعه‌ای از هو و همکاران ، از بخش‌بندی خوشه‌ای (Clustering Segmentation) برای تفکیک مصرف‌کنندگان ناهمگن و طبقه‌بندی نوع ساختمان‌ها پیش از آموزش مدل‌های عمیق تخصصی استفاده شد.

 

۲-۴- چالش‌های پیش‌بینی تقاضا با هوش مصنوعی

پیش‌بینی تقاضا با استفاده از هوش مصنوعی با چالش‌های متعددی همراه است. یکی از چالش‌های اساسی، پیچیدگی طراحی مدل‌ها است، زیرا تعداد معماری‌های ممکن برای مدل بهینه بسیار زیاد است. استفاده از داده‌های کمکی مانند احساسات کاربران در شبکه‌های اجتماعی یا اطلاعات هواشناسی می‌تواند کیفیت پیش‌بینی را بهبود بخشد، اما افزودن این متغیرهای برون‌زا (Exogenous Variables) فرایند مدل‌سازی را پیچیده‌تر می‌کند (Henriques & Pereira, 2024). علاوه بر این، پیاده‌سازی و تفسیر مدل‌های مبتنی بر هوش مصنوعی به داده‌های سطح‌بالا و مهارت‌های تخصصی نیاز دارد. همچنین باید خطر سوگیری (Bias) و عدم شفافیت الگوریتم‌های هوش مصنوعی را با دقت فراوان مدیریت کرد. مدل‌های هوش مصنوعی ممکن است نسبت به تغییرات در رفتار مصرف‌کننده یا منابع داده حساس باشند، به گونه‌ای که دقت آن‌ها در طول زمان کاهش یابد (Pan & Yang, 2016).

روش‌های مبتنی بر هوش مصنوعی به طور فزاینده‌ای در پیش‌بینی تقاضای برق به کار گرفته می‌شوند، زیرا قادرند الگوهای پیچیده و غیرخطی مصرف را مدل‌سازی کنند، به‌ویژه در شرایط نامطمئن و متغیری که ناشی از ادغام انرژی خورشیدی در شبکه است. با این حال، چالش‌هایی نظیر پیچیدگی مدل، وابستگی به داده، و کاهش دقت بلندمدت در شرایط متغیر همچنان موانع کلیدی در مسیر پیاده‌سازی مؤثر این روش‌ها به شمار می‌روند.

 

۵- دیسپاچینگ مبتنی بر هوش مصنوعی (AI-Driven Dispatch)

روش‌های دیسپاچینگ راهبردهایی هستند که تعیین می‌کنند چه زمانی و به چه شکلی توان تولید شده توسط پنل‌های فتوولتائیک یا ذخیره‌شده در واحدهای ذخیره‌ساز به منظور تأمین تقاضای الکتریکی تحویل داده شود. روش‌های دیسپاچینگ، تولید توان PV و شارژ/دشارژ باتری را با شبکهٔ برق هماهنگ می‌سازند و خدماتی مانند تنظیم فرکانس (Frequency Regulation)، کاهش پیک بار (Peak-Shaving) و کنترل نرخ تغییر توان (Ramp-Rate Control) را فراهم می‌کنند تا پایداری شبکه و استفادهٔ بهینه از منابع تضمین گردد؛ از این رو، نقش بنیادینی در مدیریت انرژی سامانه دارند. با ذخیره‌سازی انرژی خورشیدی اضافی در زمان تولید حداکثری و اعزام آن در دوره‌های اوج تقاضا، روش‌های دیسپاچینگ فشار وارد بر شبکه را کاهش داده و هزینه‌های انرژی را به حداقل می‌رسانند (Muriithi et al. 2021).

روش‌های دیسپاچینگ برای شبکه‌های ایزوله و خارج از شبکه، همانند سامانه‌های متصل به شبکه نیز حیاتی‌اند، زیرا برای موازنهٔ خروجی PV، ذخیره‌سازی باتری، و ژنراتورهای پشتیبان به کار می‌روند تا سامانه بتواند تقاضای محلی را تأمین کند. روش‌های دیسپاچینگ مبتنی بر هوش مصنوعی عملکرد دیسپاچینگ را عمدتاً از طریق پیش‌بینی دقیق تولید و ادغام آن با چارچوب‌های کنترلی بهبود می‌بخشند. برای مثال، مدل‌های یادگیری نظارت‌شده (Supervised Learning) مانند شبکهٔ پرسپترون چندلایه (MLP)، شبکهٔ عصبی بازگشتی (RNN) و شبکهٔ حافظهٔ کوتاه‌مدت بلند (LSTM) پیش‌بینی‌های معتبر روز-پیش (one day ahead) از توان فتوولتائیک را ارائه می‌دهند. به طور خاص، شبکه‌های بازگشتی نظیر LSTM برای یادگیری روندهای بلندمدتی که با داده‌های هواشناسی مرتبط‌اندT مناسب هستند (Guermoui et al., 2022). این پیش‌بینی‌ها برای بهینه‌سازی ذخیره‌سازی باتری و زمان‌بندی شارژ و دشارژ در شرایط عدم قطعیت بازار مورد استفاده قرار می‌گیرند (Sahoo et al. 2023). علاوه بر این، بسیاری از سامانه‌های مدیریت انرژی (EMS) از روش‌های کنترل هوشمند برای حفظ عمر باتری از طریق موازنهٔ انرژی میان تولید توان خورشیدی و میزان مصرف بهره می‌گیرند (Zerk et al. 2023). صرف‌نظر از مقیاس پروژه، به‌کارگیری دیسپاچینگ موجب افزایش سهم انرژی‌های تجدیدپذیر و بهبود کیفیت توان از طریق تنظیم سامانه برای پاسخ‌گویی به تغییرات بار و شرایط محیطی می‌شود (Muriithi et al. 2021).

 

۱-۵- مطالعات موردی دیسپاچینگ مبتنی بر هوش مصنوعی

مرور ادبیات پژوهشی نشان می‌دهد که در سال‌های اخیر استفاده از راه‌حل‌های هوش مصنوعی در راهبردهای دیسپاچینگ برای سامانه‌های متصل به شبکه و خارج از شبکه افزایش یافته است. یادگیری تقویتی (Reinforcement Learning) به‌ویژه در سامانه‌های مدیریت باتری روشی پرطرفدار محسوب می‌شود، زیرا این مدل‌ها قادرند الگوها و ویژگی‌های زمانی و مکانی را به‌صورت خودکار و بدون دخالت انسان استخراج کنند. برای نمونه، مورییتی و همکاران از یادگیری تقویتی برای زمان‌بندی شارژ و دشارژ باتری در یک ریزشبکهٔ PV–باتری استفاده کردند. در این تحقیق زمان‌بندی دقیق عملیات شارژ و دشارژ موجب کاهش وابستگی سامانه به شبکهٔ برق سراسری شد. عامل‌های(Agents) یادگیری تقویتی با تعامل با محیط و به منظور دستیابی به اهدافی مانند صرفه‌جویی در هزینه یا افزایش خود مصرفی (Self Consumption)، به مرور سیاست کنترلی بهینه را می‌آموزند(Muriithi et al., 2021). دستهٔ دیگری از ابزارهای مدل‌سازی که در دیسپاچینگ هوشمند مورد استفاده قرار می‌گیرند، شبکه‌های عصبی مصنوعی (ANN) هستند. به‌ویژه، شبکه‌های عصبی عمیق (DNN) اغلب برای ارائهٔ پیش‌بینی‌های دقیق از تولید توان خورشیدی یا پروفیل تقاضا به کار می‌روند و تصمیم‌گیری‌های پیش‌نگرانه در اعزام را ممکن می‌سازند (Memon et al. 2025). روش‌های یادگیری عمیق با بهره‌گیری از ظرفیت شبکه‌های عصبی برای یادگیری داده‌های محلی اقلیمی، قادرند پیش‌بینی‌های کوتاه‌مدت دقیق‌تری ارائه دهند و حتی مستقیماً در سامانه‌های کنترلی تعبیه شوند.

جویلی و همکاران کنترل‌کننده‌ای مبتنی بر شبکهٔ عصبی مصنوعی طراحی کردند که برای اجرای ردیابی نقطهٔ بیشینه توان (MPPT) و هدایت جریان توان میان اجزای سامانه آموزش داده شده و عملاً به عنوان یک سامانهٔ مدیریت انرژی هوشمند (ESM) عمل می‌کند(Jouili et al., 2024). علاوه بر این، کنترل‌کننده‌های منطق فازی (Fuzzy Logic Controllers) نیز برای ساخت رویکردی مبتنی بر قواعد به کار می‌روند که با عدم قطعیت‌های موجود در تولید و مصرف خورشیدی سازگار است (Zerk et al. 2023). کنترل‌کننده‌های فازی نیازی به داده‌های تاریخی گسترده ندارند و با تولید قواعد «اگر–آنگاه» (If-Then) تصمیم‌های دیسپاچینگ انرژی را اتخاذ می‌کنند. این کنترل‌کننده‌ها به دلیل پایداری در شرایط متغیر مورد تحسین قرار گرفته‌اند (Zerk et al. 2023).

مرور مطالعات موجود نشان می‌دهد که در اغلب مطالعات موردی، روش‌های دیسپاچینگ مبتنی بر هوش مصنوعی نسبت به راهبردهای سنتی عملکرد بهتری دارند؛ از جمله تولید خروجی کم نوسان تر برای توان PV و کاهش هزینه‌های بهره‌برداری.

 

۲-۵- چالش‌های دیسپاچینگ مبتنی بر هوش مصنوعی

پیاده‌سازی کنترل دیسپاچینگ مبتنی بر هوش مصنوعی در سامانه‌های PV با چالش‌هایی همراه است:

• پیچیدگی محاسباتی و نیاز به داده‌های آموزشی:
  آموزش الگوریتم‌های هوش مصنوعی مستلزم شبیه‌سازی‌های گسترده و حجم عظیمی از داده‌هاست. به عنوان مثال، یک کنترل‌کننده مبتنی بر یادگیری تقویتی به تکرارهای فراوانی برای همگرایی به سیاست نهایی نیاز دارد. افزون بر این، شبیه‌سازی در شرایط گوناگون برای اطمینان از تعمیم‌پذیری مدل ضروری است (Hanif el at., 2025).
  عدم شفافیت مدل‌ها:
  شبکه‌های عصبی عمیق اغلب مانند «جعبهٔ سیاه» (Black Box) عمل می‌کنند، به این معنا که مهندسان به سختی می‌توانند تصمیم‌های دیسپاچینگ مبتنی بر آن‌ها را تفسیر کنند و اطمینان یابند که در تمامی شرایط ممکن، قیود شبکه رعایت می‌شود (Ejiyi et al. 2025). هرچند کنترل‌کننده‌های فازی به دلیل قواعد «اگر–آنگاه» شفاف‌تر تلقی می‌شوند، اما تنظیم پارامترهای آن‌ها برای سامانه‌های بزرگ بسیار زمان‌بر است و ممکن است به خوبی مقیاس‌پذیر نباشند (Ejiyi et al. 2025).
• مشکلات یکپارچه‌سازی و قابلیت اطمینان:
  مدل‌های هوش مصنوعی به داده‌های ورودی دقیق و به‌هنگام وابسته‌اند؛ بنابراین در صورت خطا یا تأخیر در دریافت داده‌ها، تصمیم‌های دیسپاچینگ ممکن است بهینه نباشند. همچنین، بسیاری از روش‌های اولیهٔ دیسپاچینگ مبتنی بر AI عواملی مانند فرسودگی باتری را نادیده گرفته‌اند، در حالی که این عامل برای قابلیت اطمینان سامانه حیاتی است (Muriithi et al. 2021). افزون بر این، سیاست‌های دیسپاچینگ تهاجمی (aggressive dispatch policy) که صرفاً در پی بهینه‌سازی کوتاه‌مدت هستند ممکن است طول عمر باتری را کاهش دهند، به‌ویژه اگر هزینه‌های فرسایش لحاظ نشود (Hanif et al. 2025).

در مجموع، راهبردهای دیسپاچینگ مبتنی بر هوش مصنوعی هماهنگی میان تولید، ذخیره‌سازی و مصرف را نسبت به روش‌های سنتی بهبود می‌بخشند. این روش‌ها با کنترل پیش‌بینانه (Predictive) و تطبیقی (Adaptive) موجب افزایش کارایی و قابلیت اطمینان سامانه‌های انرژی می‌شوند. با این حال، چالش‌هایی مانند نیاز به داده‌های گسترده، پیچیدگی یکپارچه‌سازی سامانه و دشواری تفسیر مدل‌ها باید در مسیر پیاده‌سازی مؤثر آن‌ها برطرف شوند.

 

۶- نگه‌داری پیش‌بینانه مبتنی بر هوش مصنوعی (AI-Based Predictive Maintenance)

نگه‌داری پیش‌بینانه از روش‌های پایش داده‌محور برای پیش‌بینی خرابی‌ها استفاده می‌کند و تنها در صورت نیاز اقدام به تعمیر یا جایگزینی می‌نماید. این رویکرد موجب کاهش زمان ازکارافتادگی و افزایش بازده انرژی نسبت به نگه‌داری دوره‌ای ثابت می‌شود (Ledmaoui et al., 2025). تفاوت اصلی میان نگه‌داری پیش‌بینانه و ابزارهای پیش‌بینی مبتنی بر هوش مصنوعی در آن است که پیش‌بینی، خروجی سامانه را تخمین می‌زند، در حالی که نگه‌داری پیش‌بینانه زمان و میزان انحراف سامانه از عملکرد عادی را پیش‌بینی می‌کند. مطالعات تحلیل قابلیت اطمینان میدانی نشان می‌دهند که سامانه‌های خورشیدی–باتری در معرض انواع خرابی‌ها و پدیده‌های فرسودگی هستند و ماژول‌های PV و اینورترها به عنوان اصلی‌ترین منابع خرابی شناسایی می‌شوند (Oviedo et al. 2023). نگه‌داری پیش‌بینانه مبتنی بر هوش مصنوعی از داده‌های SCADA با فرکانس بالا، داده‌های ترموگرافی و داده‌های محیطی برای تشخیص ناهنجاری‌ها و تخمین عمر مفید باقیمانده (RUL) هر جزء سیستم استفاده می‌کند و به این ترتیب، زمان‌بندی دقیق شست‌وشو و به‌روزرسانی میان‌افزار (Firmware) را امکان‌پذیر می‌سازد. مطالعاتی نظیر لدماوی و همکاران، مزایای گذار از تشخیص (Diagnosis) به پیش‌بینی (Prognosis) را که از کاربرد ابزارهای هوش مصنوعی در نگه‌داری پیش‌بینانه حاصل شده است، فهرست کرده‌اند(Ledmaoui et al., 2025). فرایند کلی نگه‌داری پیش‌بینانه با هوش مصنوعی به شرح زیر است (Hector et al. 2024):

• جمع‌آوری داده از حسگرها (سمت اینورتر، کنتورها، ایستگاه‌های هواشناسی)
• پاک‌سازی و هم‌ترازسازی جریان داده
• آموزش مدل
• پیش‌بینی خرابی
• تبدیل خروجی مدل به دستور کار با استفاده از آستانه‌ها یا ارزیابی ریسک

شایان ذکر است که لدماوی و همکاران تأکید کرده‌اند که با گسترش سامانه‌های خورشیدی، استفاده از ابزارهای یادگیری ماشین در نگه‌داری پیش‌بینانه از یک انتخاب اختیاری به ضرورتی اجتناب‌ناپذیر تبدیل می‌شود (Ledmaoui et al., 2025) .

 

۱-۶- مطالعات موردی هوش مصنوعی در نگه‌داری پیش‌بینانه

هوش مصنوعی نگه‌داری پیش‌بینانه را در سامانه‌های PV–باتری ممکن می‌سازد، زیرا بر پایهٔ یادگیری ماشین برای پیش‌بینی توان خروجی و استفاده از بهینه‌سازی فراابتکاری (Metaheuristic Optimization) جهت تنظیم پارامترهای سامانه بنا شده است. مدل‌های پیش‌بینی کوتاه‌مدت توان خروجی که با الگوریتم‌هایی نظیر ماشین بردار پشتیبان (SVM) و یادگیری تجمعی (Ensemble Learning) توسعه یافته‌اند، پروفیل‌های تولید مورد انتظار را ایجاد کرده و از انحرافات به عنوان نشانه‌های خرابی یا فرسودگی بهره می‌گیرند (Henriques & Pereira, 2024). الگوریتم‌های ترکیبی گرگ خاکستری (Grey Wolf) و جست‌وجوی فاخته (Cuckoo Search) برای تعیین اندازهٔ بهینهٔ باتری و پارامترهای شارژ به کار می‌روند که مبنای برآورد دقیق وضعیت سلامت (State of Health) و تصمیم‌گیری نگه‌داری محسوب می‌شود (Nguyen, 2023). چارچوب‌های ارزیابی چندمعیاره با ترکیب شاخص‌های فنی، معیارهای زیست‌محیطی و تحلیل هزینه‌های نگه‌داری، اقدامات نگه‌داری را اولویت‌بندی کرده و قابلیت اطمینان سامانه را افزایش می‌دهند. مطالعات تطبیقی دربارهٔ راهبردهای شارژ باتری این رویکرد را تقویت کرده‌اند (Abhulimen & Ejike, 2024).

 

۲-۶- چالش‌های نگه‌داری پیش‌بینانه

اگرچه نگه‌داری پیش‌بینانهٔ مبتنی بر هوش مصنوعی نویدبخش است، سه چالش اصلی پیش روی آن وجود دارد. در درجه اول، رخدادهای خرابی واقعی در مقایسه با شرایط عادی نادر هستند؛ بنابراین گردآوری و برچسب‌گذاری داده‌های لازم در میان اپراتورهای مختلف ناهمگون است. تلاش‌هایی در جریان است تا مجموعه‌داده‌های قابلیت اطمینان استانداردسازی شوند (Oviedo et al. 2023). دوم مدل‌هایی که بر روی ناوگان خاصی از سامانه‌های خورشیدی آموزش دیده‌اند، نمی‌توانند به‌درستی به مناطق جغرافیایی جدید با سطوح تابش و دمای متفاوت تعمیم یابند (Marangis et al. 2024). سوم برای توجیه اقدامات نگه‌داری میدانی یا ادعاهای گارانتی، نیاز به شواهد قابل اعتماد وجود دارد (Rana 2025). هرچند جامعهٔ پژوهشی با استفاده از مجموعه‌ داده‌های با دسترسی باز (Open Access) و تفکیک روش‌شناسی میان تشخیص و شناسایی سعی در رفع این مشکل دارد، همچنان نیاز مبرم به طبقه‌بندی‌های استاندارد، شاخص‌های ارزیابی مبتنی بر هزینه، و روش‌های هوش مصنوعی تبیین‌پذیر (Explainable AI) وجود دارد تا نگه‌داری پیش‌بینانه در مقیاس بزرگ قابل اعتماد و شفاف گردد (Chen et al. 2025).

در مجموع، نگه‌داری پیش‌بینانه با استفاده از روش‌های مبتنی بر هوش مصنوعی، قابلیت اطمینان و کارایی سامانه‌های خورشیدی را از طریق پیش‌بینی زمان و محل خرابی و بهینه‌سازی برنامه‌های نگه‌داری بر پایهٔ داده‌های حسگر افزایش می‌دهد. با وجود این مزایا، دو چالش کلیدی یعنی کمبود داده‌های برچسب‌خوردهٔ خرابی و ضعف تعمیم مدل‌ها در شرایط گوناگون محیطی همچنان از موانع اصلی پیشرفت در این حوزه محسوب می‌شوند.

 

۷- آشکارسازی خطا با هوش مصنوعی 

در سامانه‌های خورشیدی، تشخیص خطا ضرورتی حیاتی است؛ زیرا در صورت عدم شناسایی ناهنجاری‌ها، کاهش بازده خروجی، بروز خطرات ایمنی، و حتی وقوع خرابی‌های زنجیره‌ای محتمل است. سالازار–پنا و همکاران اشاره می‌کنند که در صورت عدم شناسایی خطاهای فنی، تلفات توانی در بازه‌ای بین 10% تا 70٪ همراه با کاهش  تولید انرژی به میزان میانگین 25٪ ممکن است رخ دهد که بخشی از آن ناشی از ماهیت ناپایدار سامانه‌های فتوولتائیک است(Salazar-Pena et al.,2024).

به دلیل ناتوانی روش‌های سنتی مبتنی بر آستانه (threshold-based) یا بازرسی انسانی (human-based) در مدیریت شرایط عملیاتی متغیر، مدل‌های هوش مصنوعی به‌طور فزاینده‌ای برای پایش چندوجهی داده‌ها، شناسایی انحراف‌های سامانه و تشخیص خودکار عیوب توسعه می‌یابند. به کارگیری تکنیک‌های هوش مصنوعی در تشخیص خطا، هزینه‌های نگه‌داری را کاهش داده، زمان کارکرد سامانه را افزایش داده و طول عمر کل سامانه را تمدید می‌کند؛ ازاین‌رو، استفاده از چنین روش‌هایی به ضرورتی اجتناب‌ناپذیر تبدیل شده است. همچنین، عملکرد مؤثر این مدل‌ها مستلزم وجود داده‌های متنوع و قابل‌اعتماد، نظیر پروفیل‌های الکتریکی، سیگنال‌های حرارتی و عوامل محیطی است.

 

۱-۷- مطالعات موردی آشکارسازی خطا

صالحی‌مهر و همکاران با ساخت مدلی از یک ریزشبکهٔ ولتاژ پایین و ترکیب درخت رگرسیون با نمونه‌برداری فشرده (Compressed Sensing)، روشی برای آشکارسازی خطا ارائه دادند و از شبکهٔ LSTM برای تعیین محل وقوع خطا استفاده کردند. نتایج حاکی از دقت 93٪ در تعیین محل خطا و زمان تشخیص1میلی‌ثانیه بود(Salehimehr et al. 2024). در مطالعه‌ای دیگر، لیو و همکاران، از جنگل تصادفی (Random Forest) برای شناسایی و مکان‌یابی اتصال کوتاه داخلی در سامانه‌های ذخیره‌سازی انرژی باتری لیتیوم-یونی استفاده کردند و نتیجه گرفتند که سامانهٔ پیشنهادی آن‌ها برای استفادهٔ عملی در محیط واقعی مناسب است(Liu et al. 2023). گالول و همکاران از ترکیب جنگل تصادفی (Random Forest) و نزدیک‌ترین همسایه‌ها (KNN) به ترتیب برای پیش‌بینی جریان و ولتاژ بهره گرفتند. در روش پیشنهادی آن‌ها، اختلاف میان سیگنال‌های پیش‌بینی‌شده و اندازه‌گیری‌شده به عنوان امضای خطا (Fault Signature) عمل می‌کند. برای تشخیص خطای روزانه، مقدار R² = 0.995 گزارش شد(Gaaloul et al. 2025).

 

۲-۷- چالش‌های آشکارسازی خطا

اگرچه استفاده از هوش مصنوعی در تشخیص خطا رو به افزایش است، سامانه‌های فتوولتائیک هنوز با چالش‌هایی مواجه‌اند، از جمله:

• تبیین‌پذیری (Interpretability):
  لزوم توسعهٔ هوش مصنوعی تبیین‌پذیر (Explainable AI – XAI) با پشتیبانی فیزیکی، تا تصمیم‌های مدل‌ها با اصول فیزیکی سامانه‌های PV سازگار باشند (Aksoy S. 2025).
• تولید دادهٔ مصنوعی (Synthetic Data Generation):
  به دلیل کمبود داده‌های واقعی از خطاهای نادر، لازم است داده‌های مصنوعی برای پوشش آن‌ها تولید شوند (Lin et al. 2025).
• انحراف دامنه‌ای (Cross-Domain Drift):
  مدل هوش مصنوعی که بر پایهٔ داده‌های یک نیروگاه خورشیدی آموزش دیده است، ممکن است در محیطی دیگر عملکرد مطلوبی نداشته باشد. به عنوان مثال، مدلی که بر اساس داده‌های مزرعه‌ای در جنوب فرانسه آموزش دیده، احتمالاً برای مزرعه‌ای در ایران با ماژول‌ها و حسگرهای متفاوت کارایی مطلوبی ندارد (Lin et al. 2025).

در مجموع، تشخیص خطای مبتنی بر هوش مصنوعی در سامانه‌های خورشیدی ناهنجاری‌ها را در مراحل اولیه شناسایی کرده، قابلیت اطمینان را افزایش می‌دهد، تلفات انرژی را کاهش می‌دهد و طول عمر سامانه را افزایش می‌دهد. با این حال، چالش‌هایی چون کمبود داده‌های واقعی، مشکل انتقال میان دامنه‌ها و نیاز به تبیین‌پذیری مبتنی بر فیزیک، مانع از استقرار گسترده و قابل اعتماد این روش‌ها در مقیاس‌های گوناگون فتوولتائیک می‌شوند.

 

۸- ادغام هوش مصنوعی با اینترنت اشیا در سامانه‌های خورشیدی 

ادغام هوش مصنوعی با اینترنت اشیا در سامانه‌های خورشیدی امکان پایش و کنترل بلادرنگ و هوشمند را در سطحی بی‌سابقه فراهم می‌سازد (Tung et al. 2024). در حالی که حسگرهای IoT داده‌هایی نظیر شدت تابش، دمای محیط، جریان و ولتاژ ماژول و میزان غبار را جمع‌آوری می‌کنند، الگوریتم‌های AI این داده‌ها را تحلیل می‌کنند تا افت عملکرد، توان بالقوهٔ تولید، یا نیاز به کنترل اصلاحی (مانند تنظیم مبدل یا قطع انتخابی ماژول‌ها) را تشخیص دهند (Al Humairi et al.2025). علاوه بر این، هوش مصنوعی در چارچوب IoT برای تشخیص، پیش‌بینی و مکان‌یابی خطاهای نوظهور مانند سایه‌اندازی جزئی یا انحراف عملکرد اینورتر به کار می‌رود و از توقف ناگهانی سامانه جلوگیری می‌کند.

 

۱-۸- مطالعات موردی ادغام هوش مصنوعی و IoT

به‌کارگیری AI در IoT به‌طور گسترده در متون علمی بررسی شده است. ورما و همکاران  نشان دادند که مدل‌های یادگیری ماشین که با داده‌های تاریخی یا مصنوعی آموزش دیده‌اند، می‌توانند خطاهایی نظیر سایه‌اندازی جزئی و عدم تطابق رشته‌ها (String Mismatch) را زمانی که داده‌های حسگر از شرایط عادی منحرف می‌شوند، شناسایی کنند (Verma et al., 2022). در همین راستا، والی و خان رویکردی ترکیبی ارائه دادند که در آن الگوریتم XGBoost با تکنیک منحصر به فرد مبتنی بر مدل ادغام شد. روش پیشنهادی آن‌ها بر تبیین‌پذیری تمرکز دارد و به اپراتورها امکان می‌دهد دلایل هشدار خطا را درک کنند(Wali & Khan, 2021). مطالعات دیگر گزارش کرده‌اند که روش‌های یادگیری عمیق ترکیبی (Hybrid Deep Learning) برای آشکارسازی خطا در سامانه‌های PV به دقتی بالاتر از 90٪ دست یافته‌اند (Salazar-Pena 2024).

شبکه‌های عصبی پیچشی (CNN) قادرند الگوهای مکانی آب‌وهوایی را از تصاویر ماهواره‌ای استنباط کنند که در پیش‌بینی چندساعته بسیار مؤثرند. تتا و همکاران، مدلی مبتنی بر CNN معرفی کردند که به دلیل سبک بودن و قابلیت پیاده‌سازی در سخت‌افزارهای با اتصال محدود، تأخیر در تشخیص خطا را در سامانه‌های خورشیدی متصل به شبکه به‌طور مؤثری کاهش می‌دهد. این سامانه‌های AI–IoT قادرند پاسخ‌های تطبیقی ایجاد کنند تا افت عملکرد در یک مؤلفه به خرابی کلی سامانه منجر نشود(Teta et al.,2024).

یکی از مزایای کلیدی ادغام AI و IoT در سامانه‌های خورشیدی، امکان ایجاد ساختارهایی نظیر نیروگاه‌های مجازی (Virtual Power Plants – VPPs) است که هماهنگی با شبکه و بازارهای انرژی را تسهیل می‌کنند. برای نمونه، کیس و همکاران، در مرور خود بر فناوری‌های VPP و تجمیع‌کننده‌های مجازی، بر نیاز فزاینده به راهبردهای کنترلی مقاوم تأکید می‌کنند(Kaiss et al.,2025). لیو و گائو نشان داده‌اند که روش‌های AI در تجمیع منابع انرژی، زمان‌بندی بهینه و مشارکت در بازار انرژی در چارچوب‌های VPP نقش مؤثری دارند(Liu & Gao, 2025). ساویلام و همکاران نیز بررسی کرده‌اند که ادغام کنترل IoT با منطق VPP چگونه می‌تواند پایداری شبکه و ادغام منابع تجدیدپذیر را در شرایط واقعی بهبود بخشد(Sawilam et al., 2025).

 

۲-۸- چالش‌های ادغام هوش مصنوعی و IoT

با وجود ظرفیت‌های فراوان، چالش‌های زیر همچنان باقی است (Kaiss et al.,2025؛ Liu & Gao, 2025):

• ناسازگاری میان سامانه‌های ناهمگون:
  سیستم‌های انرژی باید بتوانند با تنوع بالای تجهیزات و پروتکل‌ها در سامانه‌های توزیع‌شده تعامل کنند.
• مخاطرات امنیت سایبری:
  اتصال گستردهٔ دستگاه‌ها تهدیدهای امنیتی را افزایش می‌دهد، به‌ویژه در سامانه‌های بزرگ‌مقیاس.
• ماهیت جعبه‌سیاه مدل‌های AI:
  عدم شفافیت در تصمیم‌های هوش مصنوعی اعتماد اپراتورها را کاهش می‌دهد.

ادغام AI و IoT در سامانه‌های خورشیدی کنترل بلادرنگ، تطبیقی و تشخیص خطا را ممکن می‌سازد و قابلیت اطمینان و کارایی سامانه را ارتقا می‌دهد. با این حال، چالش‌هایی چون ناهمگونی سیستم‌ها، تهدیدهای سایبری، و عدم تبیین‌پذیری مدل‌ها، مانع استقرار کامل و اعتماد عملیاتی در مقیاس وسیع شده‌اند.

 

۹- چالش‌ها و محدودیت‌های هوش مصنوعی در انرژی خورشیدی

با وجود چشم‌اندازهای امیدبخش، پژوهش‌های متعددی نشان داده‌اند که کاربردهای هوش مصنوعی در انرژی خورشیدی هنوز با محدودیت‌های قابل‌توجهی روبه‌رو است. این محدودیت‌ها نه‌تنها شامل مسائل فنی بلکه شامل چالش‌های نظام‌مند و عملیاتی نیز می‌شوند که به پذیرش گستردهٔ AI در زیرساخت‌های انرژی خورشیدی آسیب می‌زنند.

 

۱-۹- کیفیت داده‌ها (Data Quality)

اصلی‌ترین چالش، کیفیت و تنوع داده‌ها و توانایی سازگاری بلادرنگ مدل‌هاست. برای مثال، دقت مدل ممکن است به دلیل ناسازگاری داده‌های میدانی کاهش یابد. این مسئله ناشی از تفاوت‌های محیطی، کالیبراسیون حسگرها و ناهمگونی جغرافیایی است. در عمل، الگوریتم‌هایی که در محیط کنترل‌شده عملکرد مطلوب دارند، در شرایط واقعی شکست می‌خورند (Ukoba et al. 2024). سمباسیوان و همکاران نشان دادند که کیفیت پایین داده‌ها در سامانه‌های یادگیری ماشین اغلب از مراحل اولیه مانند تعریف مسئله یا جمع‌آوری داده آغاز می‌شود و سپس به سراسر زنجیرهٔ پردازش منتقل شده و منجر به شکست‌های پرهزینه در آموزش، ارزیابی و استقرار مدل می‌شود(Sambasivan et al. 2021).

 

۲-۹- تبیین‌پذیری مدل (Model Interpretability)

یکی دیگر از چالش‌های اساسی، عدم شفافیت و تبیین‌پذیری مدل‌های هوش مصنوعی است. روش‌های یادگیری عمیق به‌طور ذاتی جعبه‌سیاه محسوب می‌شوند، و همین امر فهم سازوکار پیش‌بینی‌ها را برای سیاست‌گذاران و مهندسان دشوار می‌سازد. در نتیجه، برنامه‌ریزی نگه‌داری و مدیریت بلادرنگ انرژی در حضور مدل‌های AI پیچیده‌تر می‌شود (Afridi et al. 2021).

 

۳-۹- ارزیابی مدل (Model Evaluation)

پژوهش‌های مختلفی هم‌چنین هشدار می‌دهند که گزارش‌های بیش‌ازحد خوش‌بینانه دربارهٔ سازگاری AI در انرژی‌های تجدیدپذیر ممکن است گمراه‌کننده باشند. ناهمگونی مجموعه‌داده‌ها از تفاوت در مکان، حسگرها، بازه‌های زمانی، رژیم‌های آب‌وهوایی و وضوح داده‌ها ناشی می‌شود. این عوامل موجب ناسازگاری میان مراحل آموزش و استقرار و در نتیجه بیش‌برازش مدل (Overfitting) نسبت به شرایط محدود می‌شوند (Hu et al. 2022).

 

۴-۹- ریسک استقرار (Deployment Risk)

استقرار مدل‌های AI در سامانه‌های خورشیدی هوشمند با شرایط حساس از نظر ایمنی می‌تواند خطرات فنی، مالی و عملیاتی به همراه داشته باشد (Park C. 2025). برای مثال، مدلی که با تصاویر مادون قرمز از یک نوع دوربین آموزش دیده است، ممکن است در مواجهه با دوربین دیگر به دلیل تفاوت در وضوح، نقاط داغ را شناسایی نکند. همچنین، پیش‌بینی‌گر تابش خورشیدی که بر داده‌های آسمان صاف آموزش دیده، در شرایط غبار یا دود دچار خطا می‌شود. استقرار مدلی نامناسب در محیط حساس می‌تواند به افزایش هزینه، نقص امنیت سایبری یا شکست در تعامل‌پذیری سیستم‌ها بینجامد (Park C. 2025).

در مجموع، با وجود پتانسیل چشمگیر، کاربردهای AI در انرژی خورشیدی با چالش‌هایی چون کیفیت پایین داده‌ها، عدم تبیین‌پذیری مدل‌ها و ناسازگاری میان محیط آموزش و استقرار روبه‌رو هستند. این مسائل، همراه با خطرات استقرار در محیط‌های حساس، ضرورت توسعهٔ چارچوب‌های شفاف، مقاوم و سازگار با شرایط واقعی را برجسته می‌سازند.

 

۱۰- افق‌های آیندهٔ کاربرد هوش مصنوعی در سامانه‌های الکتریکی خورشیدی (کاربرد هوش مصنوعی در انرژی خورشیدی)

در ادامه، مهم‌ترین حوزه‌هایی که انتظار می‌رود کاربرد هوش مصنوعی در آن‌ها موجب تحول سامانه‌های خورشیدی فراتر از سطح کنونی گردد، تشریح می‌شود:

• ردیابی نقطهٔ بیشینه توان: تکنیک‌های MPPT مبتنی بر هوش مصنوعی بازده سامانه‌های خورشیدی را از طریق تنظیم پویا نقاط عملکردی به گونه‌ای افزایش می‌دهند که بیشترین توان از ماژول‌های خورشیدی استخراج شود. این روش‌ها نسبت به تکنیک‌های سنتی MPPT، به‌ویژه در شرایط محیطی پیچیده و متغیر سریع، بازدهی بالاتری نشان داده‌اند (Yap et al., 2020).
• ادغام اینترنت اشیا با یادگیری ماشین : در مفاهیم نوین، عملکرد سامانه‌های مدیریت هوشمند انرژی خورشیدی با بهره‌گیری از راهکارهای IoT و الگوریتم‌های یادگیری ماشین بهبود می‌یابد. حسگرهای IoT داده‌های بلادرنگ از پارامترهای مختلف سامانه جمع‌آوری می‌کنند، و مدل‌های پیشرفتهٔ یادگیری ماشین به‌طور هم‌زمان تولید، مصرف، ذخیره‌سازی و توزیع انرژی را بهینه می‌سازند و ناهنجاری‌ها را شناسایی می‌کنند (Ismail et al., 2025).
• پیش‌بینی تولید انرژی خورشیدی : مدل‌های یادگیری ماشین به‌کاررفته در این حوزه ابزارهای مؤثری برای تدوین راهبردهای برنامه‌ریزی انرژی پایدار و افزایش بازده کلی سامانه‌های خورشیدی هستند (Liu, 2024).
• طراحی، پیش‌بینی و نگه‌داری سامانه‌های فتوولتائیک: تکنیک‌های هوش مصنوعی قادرند هزینه‌های محاسباتی بالا و حجم عظیم داده‌ها در فرآیند طراحی، پیش‌بینی و نگه‌داری سامانه‌های فتوولتائیک را کاهش داده و راهکارهای هوشمند خودکار مبتنی بر سوابق عملکردی ارائه کنند (Kumar et al., 2024).
• بهینه‌سازی سامانه‌های هیبریدی :  روش‌های مبتنی بر هوش مصنوعی می‌توانند برای تحلیل و بهینه‌سازی سامانه‌های توان هیبریدی به منظور دستیابی به بهترین عملکرد، بازده انرژی و توجیه اقتصادی به کار روند. سونی و همکاران، در مطالعه‌ای چندهدفه بر روی سامانهٔ متصل به شبکهٔ PV–سلول سوختی نشان دادند که این رویکردها در بهینه‌سازی هم‌زمان انرژی و هزینه مؤثرند.(Soni et al. 2024)

در مجموع، پیش‌بینی می‌شود که در آیندهٔ نزدیک، تکنیک‌های مبتنی بر هوش مصنوعی موجب افزایش کارایی، بهینه‌سازی و بهبود تصمیم‌گیری در تمامی جنبه‌های تولید و مدیریت توان خورشیدی شوند. ادغام روش‌های هوش مصنوعی با سامانه‌های خورشیدی، زمینه‌ساز راهکارهای انرژی پایدار، سبز و بادوام خواهد بود.

 

۱۱- نتیجه‌گیری

هوش مصنوعی نیرویی تحول‌آفرین در بازتعریف طراحی، بهره‌برداری و مدیریت سامانه‌های خورشیدی است. هوش مصنوعی مرزهای متغیر و نامطمئن انرژی تجدیدپذیر را که زمانی محدودکننده محسوب می‌شدند، در کاربردهای متنوعی از پیش‌بینی تابش خورشیدی تا اعزام توان بلادرنگ بازنویسی می‌کند. مدل‌های یادگیری ماشین و یادگیری عمیق نه‌تنها ابزارهای تحلیلی بلکه تصمیم‌گیرندگان تطبیقی هستند که از شرایط متغیر محیطی می‌آموزند، تقاضای آینده را تخمین می‌زنند و خروجی و هزینه را به شیوه‌ای بهینه می‌کنند که در روش‌های سنتی ممکن نیست. ادغام هوش مصنوعی در اغلب زیربخش‌های انرژی خورشیدی هدفی واحد را دنبال می‌کند: تبدیل داده‌های خام به هوشمندی عملیاتی و حرکت به سوی سامانه‌های انرژی خورشیدی کارا، مقاوم و خودپایدار.

با این حال، چالش‌هایی نظیر کیفیت داده، تبیین‌پذیری مدل‌ها، تعامل‌پذیری سامانه‌ها و ریسک استقرار همچنان مانع رسیدن به خودکارسازی کامل در حوزهٔ انرژی خورشیدی هستند. مطالعات اخیر نشان می‌دهند که راه‌حل در تمرکز بر چارچوب‌های هوش مصنوعی تبیین‌پذیر (Explainable AI)، استانداردسازی مجموعه‌داده‌ها و تقویت همکاری میان دانشگاه، صنعت و سیاست‌گذاری نهفته است. 

چنین چشم‌اندازی بدین معناست که در آینده‌ای نزدیک، هوش مصنوعی، اینترنت اشیا و رایانش لبه‌ای (Edge Computing) زیرساخت خورشیدی را به اکوسیستمی هوشمند، توزیع‌شده و پایدار بدل خواهند کرد؛ اکوسیستمی که سنگ‌بنای آینده‌ای واقعاً سازگار با کربن صفر و تطبیق‌پذیر در انرژی خواهد بود.

برای ارتباط با کارشناسان ما در شرکت پگاه انرژی پارسیان، لطفاً به صفحهٔ تماس با ما مراجعه کنید.

 

نویسنده: هومان امین‌زاده واحدی
کارشناسی ارشد مهندسی انرژی‌های تجدیدپذیر، دانشگاه تهران
📧 ایمیل: hoomanaminzadeh.pegahgroup.com@gmail.com