ارائه چارچوب هوشمند ارزیابی ریسک راه اندازی پروژه مزرعه های پنل خورشیدی با رویکرد یادگیری ماشین و تحلیل سناریو

پژوهش حاضر با عنوان «ارائه چارچوب هوشمند ارزیابی ریسک راه اندازی پروژه مزرعه های پنل خورشیدی با رویکرد یادگیری ماشین و تحلیل سناریو» به دنبال توسعه ابزاری عملی برای مدیریت ریسک در پروژه های کوچک مقیاس انرژی تجدیدپذیر، با تمرکز بر سرمایه گذاران محدود (با بودجه کمتر از ۵ میلیون دلار) است. چالش های اصلی این پروژه ها شامل ریسک های مالی، عملیاتی، اقلیمی و زنجیره تامین است که می تواند منجر به شکست پروژه و کاهش گسترش انرژی پاک شود. رویکرد پژوهش از نوع کاربردی-توسعه ای و مبتنی بر پارادایم واقع گرایی عملی بود که در چهار مرحله شناخت و گردآوری داده، طراحی مدل، اجرا و آزمون، و سنجش و بهبود ساختاربندی شد.در مرحله گردآوری، داده های کمی از گزارش های رسمی انرژی، آمار تولید محلی و شاخص های اقتصادی حدود ۳۵۰ پروژه کوچک مقیاس (با تمرکز بر مزارع پنل خورشیدی) در مناطق جغرافیایی متنوع ایران، برای دوره ۱۰ ساله اخیر جمع آوری گردید. بخش کیفی شامل مصاحبه های عمیق با ۲۵ متخصص بود. در مرحله طراحی، چارچوبی هوشمند توسعه یافت که ترکیبی از مدل های یادگیری ماشین (مانند Random Forest، Gradient Boosting Machines و LSTM برای پیش بینی سری های زمانی) و تحلیل سناریو (شبیه سازی Monte Carlo برای ۱۰۰۰ سناریو مختلف) را شامل می شود. این چارچوب ریسک های کلیدی مانند زیان مالی، تغییرات تولید انرژی و پایداری زنجیره تامین را ارزیابی می کند و پیشنهادهای بهینه سازی پرتفوی ارائه می دهد.یافته های کمی نشان داد که چارچوب پیشنهادی دقت پیش بینی ریسک مالی را به ۸۸ درصد (AUC-ROC = ۰.۹۱) می رساند، خطای پیش بینی تولید انرژی (MAPE) را به ۹.۴ درصد کاهش می دهد، ارزش در معرض ریسک (VaR ۹۵%)را ۳۵ درصد پایین می آورد و نرخ بازگشت داخلی (IRR) میانگین را از ۱۲.۸ به ۱۶.۲ درصد افزایش می دهد. یافته های کیفی از مصاحبه ها نیز قابلیت کاربرد عملی، افزایش اعتماد سرمایه گذاران (۸۴ درصد) و مدیریت بهتر ریسک های زمینه ای را تایید کرد. این نتایج با گزارش های IRENA و مطالعات مشابه در بازارهای نوظهور همخوانی دارد.از منظر نظری، پژوهش به غنای ادبیات ارزیابی ریسک در انرژی های تجدیدپذیر افزود و از منظر عملی، چارچوبی قابل پیاده سازی در پلتفرم های سرمایه گذاری ارائه داد که می تواند به سیاست گذاران و سرمایه گذاران کمک کند تا ریسک ها را مدیریت کرده و انتقال به انرژی پایدار را تسریع بخشند. محدودیت های پژوهش شامل دسترسی محدود به داده های سطح بالا و تمرکز بر دوره زمانی مشخص بود. پیشنهاد می شود تحقیقات آتی چارچوب را با فناوری های نوین مانند یادگیری تقویتی گسترش دهند و در بازارهای متنوع تر آزمون کنند.

کلیدواژه ها:

ارزیابی ریسک ، مزرعه پنل خورشیدی ، یادگیری ماشین ، تحلیل سناریو ، انرژی تجدیدپذیر ، محدودیت سرمایه گذاری ، شبیه سازی Monte Carlo ، نرخ بازگشت داخلی (IRR).