نبذة عن المشروع:
في هذا المشروع، قمت ببناء نماذج ذكاء اصطناعي قوية للتنبؤ بمعدلات إنتاج الطاقة الشمسية (منخفض، متوسط، عالي) بالاعتماد على البيانات المناخية لمدينة أسوان (مصر)، والتي تتميز بمعدلات إشعاع شمسي عالية ومناخ مستقر. هذا النوع من المشاريع حيوي جداً لقطاع الطاقة المتجددة لتحسين إدارة الشبكات الكهربائية.
خطوات العمل والتقنيات المستخدمة:
تحليل البيانات الإحصائي والاستكشافي (EDA): استكشاف العلاقات بين المتغيرات المناخية (مثل درجة الحرارة، الرطوبة، سرعة الرياح، والضغط الجوي) وإنتاج الطاقة. تم استخدام اختبارات إحصائية متقدمة مثل (Chi-Square) و (ANOVA) لقياس تأثير الشهور ودرجات الحرارة على فئات إنتاج الطاقة.
هندسة الميزات (Feature Engineering): استخراج بيانات زمنية دقيقة من التواريخ (الساعة، اليوم، الشهر)، بالإضافة إلى إنشاء ميزات جديدة باستخدام المتوسطات المتحركة (Rolling Averages) لدرجات الحرارة والرطوبة لتعزيز دقة التنبؤ.
تقليل الأبعاد (Dimensionality Reduction): تطبيق خوارزميات (PCA) و (LDA) و (Truncated SVD) لفهم تباين البيانات وتصورها في مساحات ثنائية الأبعاد لضمان أفضل فصل بين الفئات.
بناء وتقييم النماذج (Model Building & Evaluation): تدريب وتقييم مجموعة واسعة من خوارزميات التصنيف، شملت:
XGBoost (حقق دقة استثنائية)
Decision Trees & Random Forest
Support Vector Machine (SVM)
Linear Discriminant Analysis (LDA)
K-Nearest Neighbors (KNN)
Naive Bayes
تحليل أداء النماذج: استخدام منحنيات التعلم (Learning Curves) لاكتشاف وتجنب الـ (Overfitting/Underfitting)، ومقارنة النماذج باستخدام (Accuracy, Precision, Recall, F1-Score)، وبناء مصفوفات الارتباك (Confusion Matrices) لكل نموذج.
القيمة المضافة (Value Delivered):
يوفر هذا المشروع حلاً قابلاً للتطبيق في محطات الطاقة الشمسية للتنبؤ بحجم الطاقة التي سيتم توليدها بناءً على النشرات الجوية، مما يساعد مهندسي الطاقة على اتخاذ قرارات استباقية لضمان استقرار الشبكة وتوزيع الأحمال.
🛠️ المهارات المستخدمة (Skills / Tags)
Python
Machine Learning
Time-Series Data Analysis
Feature Engineering (هندسة الميزات)
Dimensionality Reduction (PCA, LDA)
Scikit-learn, XGBoost
Pandas, NumPy
Renewable Energy Analytics (تحليلات الطاقة المتجددة)
