مجموعة بيانات من الأوسيللوغرامات الواقعية لشبكات الطاقة الكهربائية

لماذا تهمّ العثرات الكهربائية الطفيفة

في كل ثانية، تحافظ شبكات طاقة واسعة النطاق بهدوء على إضاءة منازلنا، وتشغيل المستشفيات، واستمرار عمل مراكز البيانات. داخل المحطات الفرعية، تستمع أجهزة الحماية باستمرار إلى نبض الشبكة—إشارات الجهد والتيار التي تكشف ما إذا كانت الأمور سليمة أم على وشك الفشل. تصف هذه المقالة مجموعة جديدة متاحة للجمهور من هذه «النبضات»، وهي مجموعة بيانات لأوسيللوغرامات واقعية تلتقط سلوك أنظمة الطاقة أثناء التشغيل الطبيعي، والاضطرابات الطفيفة، والأعطال الخطيرة. تهدف هذه المجموعة إلى مساعدة المهندسين وأنظمة الذكاء الاصطناعي على جعل إمدادنا بالكهرباء أكثر موثوقية ومرونة.

الاستماع إلى الشبكة

تُعد المحطات الفرعية الحديثة مزودة بأطراف حماية المرحلات والأتمتة، وهي أجهزة تراقب الشبكة وتفعل قواطع الدائرة فوراً عند حدوث مشكلة. مع تزايد تعقيد أنظمة الطاقة—بسبب تقلب الطلب، ومصادر الطاقة المتجددة، والإلكترونيات الحساسة—تحتاج هذه المرحلات لتمييز التذبذبات غير الضارة عن الأعطال الخطيرة في أجزاء من الثانية. تفعل ذلك عبر تسجيل الأوسيللوغرامات: سلاسل زمنية تفصيلية للجهود والتيارات تُؤخذ بعينات آلاف المرات في الثانية. حتى الآن، اعتمدت معظم الأبحاث والأنظمة القائمة على الذكاء الاصطناعي بشكل كبير على إشارات مُنشأة حاسوبياً لا تستطيع أن تعيد بالكامل فوضى الشبكات الحقيقية، مثل أخطاء المستشعرات، والأحمال غير المتوقعة، أو اضطرابات ناتجة عن صواعق البرق.

مكتبة كبيرة للإشارات الواقعية

جمع المؤلفون مجموعة بيانات مكوّنة من 50,765 أوسيللوغرام تم التقاطها من محطات فرعية صناعية، معظمها في شبكات الفولت المتوسط بين 0.4 و35 كيلوفولت. تأتي هذه السجلات من إجراءات تشغيلية روتينية لتسليم وتشغيل المعدات ومن تحقيقات في أحداث فعلية داخل الشبكة. تُخزن جميع الملفات بصيغة COMTRADE القياسية المستخدمة على نطاق واسع في صناعة الطاقة، وتُقدَّم أيضاً كملفات CSV معالجَة مسبقاً لتحليل البيانات والتعلّم الآلي. ولحماية الخصوصية والمعلومات التجارية، أزال الفريق أسماء المنشآت والمصنّعين وتواريخ التسجيل وأسماء الملفات الأصلية، وموحَّدوا طريقة تسمية الإشارات بحيث يرى المستخدمون مجموعة متسقة من قنوات الجهد والتيار بغض النظر عن علامة الجهاز أو تخطيط المحطة الفرعية.

فهم الإشارات

حصلت عيّنة مختارة بعناية من 480 أوسيللوغرام على وسوم بشرية مفصّلة. راجع الخبراء الإشارات التماثلية وقسّموا كل لحظة زمنية إلى أربع مجموعات بديهية: التشغيل الطبيعي أو الضجيج النقي، عمليات التحويل الروتينية مثل فتح القواطع أو بدء تشغيل المحركات، الأحداث الشاذة التي تنحرف عن الأنظمة التنظيمية لكنها لا تستلزم إيقافاً فورياً، وأحداث الأعطال الخطيرة التي ينبغي أن تُفعل أجهزة الحماية. تمكّن هذه الوسوم الدقيقة الباحثين من تدريب واختبار خوارزميات لا تكتشف مجرد وقوع «شيء ما» فحسب، بل تتعرّف أيضاً على نوع الحدث. كما قام الفريق بتصفية المجموعة الأوسع لتحديد أكثر من 20,000 أوسيللوغرام تحتوي على اضطرابات واضحة، موفّرين نقطة انطلاق مركزة لمن يهتمون بالسلوك غير الاعتيادي.

من الموجات الخام إلى حماية أذكى

لمراجعة جودة الوسوم، درّب المؤلفون عدة أنواع من الشبكات العصبية على العيّنة المشروحة. أولاً، استخدموا مشفّراً تلقائياً—نموذج ذكاء اصطناعي يضغط الإشارات إلى وصف داخلي مدمج ثم يعيد بنائها—ليتعلم الميزات مباشرة من الأشكال الموجية. عندما بُيّنت هذه الأوصاف المدمجة، شكلت فئات الأحداث الأربع عناقيد منفصلة بوضوح، مما أظهر أن وسوم الخبراء التقطت اختلافات حقيقية في الإشارات. بعد ذلك، استطاعت مصنِّفات قياسية مثل الشبكات الالتفافية والمتكررة التعرف على أنواع الأحداث الأربع بدقة قوية، لا سيما للأحداث الشاذة والأعطال. يبيّن هذا أن مجموعة البيانات مناسبة جيداً لتطوير ومعايرة أساليب التعلم الآلي لمراقبة الشبكة.

بناء أساس لذكاء شبكي مستقبلي

للغير متخصصين، الخلاصة الأساسية هي أن هذه المجموعة من البيانات تقدم مختبراً واقعياً لتحسين كيفية حماية والتحكم في شبكات الطاقة. وبما أنها تتضمن بيانات موسومة وغير موسومة، ولأن أدوات المعالجة منشورة علناً، يمكن للباحثين استكشاف كل شيء من كشف الشذوذ الأساسي إلى أنظمة حماية تكيفية متقدمة تعدّل نفسها مع تغير ظروف الشبكة. مع مرور الوقت، قد تساعد النماذج المدربة والمتحقَّق منها على هذه الأوسيللوغرامات الحقيقية المرافق على اكتشاف المشاكل مبكراً، وتقليل الانقطاعات، ودمج المزيد من التوليد المتجدد بأمان—مما يجعل البنية التحتية غير المرئية وراء حياتنا اليومية أكثر صلابة وذكاءً.

الاستشهاد: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

الكلمات المفتاحية: موثوقية شبكات الطاقة, الكشف عن الأعطال, مجموعة بيانات الأوسيللوغرام, حماية المرحلات, التعلم الآلي في الطاقة