تحسين الموثوقية التنبؤية وأتمتة الشبكات الذكية باستخدام نموذج التجميع StarNet

الحفاظ على إنارة الأنوار في عالم متغير

في كل مرة تَقلِب فيها مفتاحًا، تثق أن الكهرباء ستكون متاحة. ومع ذلك، وراء هذا الفعل البسيط تكمن شبكة واسعة وهشة من محطات الطاقة والكابلات وغرف التحكم التي يجب أن تبقى متوازنة ثانيةً بعد ثانية. مع إضافة المزيد من الألواح الشمسية ومزارع الرياح والسيارات الكهربائية والأجهزة الذكية، يصبح الحفاظ على هذا التوازن أكثر صعوبة. يستكشف هذا البحث طريقة جديدة لاستخدام الذكاء الاصطناعي، تسمى نموذج التجميع StarNet، لمراقبة شبكات الطاقة في الزمن الحقيقي، واكتشاف المشكلات قبل أن تنتشر، ومساعدة المشغلين على منع انقطاع التيار مع خفض التكاليف.

من الشبكات القديمة إلى شبكات ذكية ذات وعي ذاتي

بُنيت شبكات الطاقة التقليدية لحركة أحادية الاتجاه: محطات طاقة كبيرة تبعث الكهرباء، والمنازل والمصانع تستهلكها بهدوء. كان المشغلون يعتمدون على مفاتيح ميكانيكية بطيئة وقياسات محدودة، مما صعّب الاستجابة السريعة عند حدوث خلل. تضيف الشبكات "الذكية" الحديثة أجهزة استشعار، ضوابط رقمية، واتصالات ثنائية الاتجاه. يمكنها رؤية كمية الطاقة المتدفقة وأين، ودمج الطاقة من الأسطح والبطاريات، وإعادة توجيه الكهرباء تلقائيًا. لكن هذه المرونة الجديدة تجلب أيضًا تعقيدًا: تغيّرات مفاجِئة في الطلب، تقلبات الطقس، أعطال في المعدات، وحتى هجمات إلكترونية يمكن أن تدفع النظام نحو عدم الاستقرار. يجادل المؤلفون أنه لإدارة هذا التعقيد، تحتاج الشبكات أدوات ذكية يمكنها التعلم المستمر من البيانات وتوجيه القرارات في الزمن الحقيقي.

"دماغ" ذكاء اصطناعي جديد يراقب الشبكة

لمواجهة هذه الحاجة، يقترح الباحثون StarNet، إطار عمل ذكاء اصطناعي يعمل كزوج إضافي من العيون—ومخ سريع—لمشغلي الشبكة. بدلًا من الاعتماد على خوارزمية واحدة، يجمع StarNet بين عدة نماذج تعلم آلي مختلفة، بما في ذلك أشجار القرار، الأشجار المعززة، آلات الدعم الناقل، وأساليب الجار الأقرب. ينظر كل نموذج إلى نفس قياسات الشبكة، مثل سرعة استجابة أجزاء النظام للتغيرات وكمية القدرة الحقيقية والتفاعلية المتدفقة عبر خطوط مختلفة. ثم تُدمَج توقعاتهم الفردية بواسطة نموذج "حكم" نهائي. تستفيد هذه الاستراتيجية الطبقية (stacking) من نقاط قوة كل طريقة مع تمليس نقاط ضعفها، ما يؤدي إلى أحكام أكثر موثوقية حول ما إذا كانت الشبكة مستقرة أم تتجه نحو الخطر.

التدريب على شبكات محاكاة وعالمية

اختبر الفريق أولًا StarNet على شبكة مصغرة محاكاة على شكل نجمة رباعية، مع عقدة مولد واحدة وثلاث عقد مستهلكة. عن طريق تبديل مواقع المستهلكين، أنشأوا 60,000 مثال لحالات تشغيل مختلفة، تم وسم كل منها كمستقرة أو غير مستقرة. تعلّم StarNet تصنيف هذه الحالات بدقة تزيد على 99%، متفوقًا على العديد من البدائل الشائعة. ولإثبات أنه لم يكتفِ بحفظ مشكلة بسيطة، طبق المؤلفون نفس الإطار على مجموعتي معايير معروفتين: مجموعة بيانات استقرار الشبكة الذكية من UCI ونموذج نظام طاقة مكوّن من 14 مَحطة تُستخدم على نطاق واسع في الدراسات الهندسية. في كلا الحالتين، سجّل StarNet أداءً أفضل من نماذج أحادية قوية مثل CatBoost وآلات الدعم الناقل، مع استمرار أداء جيد عند تدريبه على مجموعة بيانات واحدة واختباره على الأخرى، ما يعد علامة على التعميم الحقيقي.

من التنبؤات إلى العمل في الزمن الحقيقي

صُمم StarNet ليس كنموذج بحثي فحسب بل كجزء من بيئة تحكم عملية. يصف المؤلفون لوحة معلومات على الويب تبث القياسات من الشبكة بشكل مستمر، تمررها عبر StarNet، وتحول التنبؤات إلى إشارات بصرية واضحة للمشغلين. عندما يشعر النموذج بارتفاع المخاطر، يمكنه تفعيل عدة استجابات آلية: تنبيهات مبكرة لفرق الحقل للصيانة التنبؤية، تقليل مُتحكم فيه للحمل في مناطق محددة لتجنب التحميل الزائد، وإجراءات استجابة للطلب التي تُحَفّز الاستهلاك بعيدًا عن أوقات الذروة. كما يراقب النظام كيف تتغير البيانات الواردة مع الزمن؛ وعند اكتشاف تحوّل في الأنماط، يمكنه إعادة تدريب أجزاء معينة من النموذج على الفور، محدثًا فهمه دون البدء من الصفر.

ماذا يعني هذا لمستخدمي الكهرباء العاديين

بالنسبة لمعظم الناس، تظهر قيمة هذا العمل في شيء نادراً ما يفكرون فيه: غياب انقطاعات الكهرباء. باستخدام نظام ذكاء اصطناعي متعدد الطبقات يمكنه اكتشاف علامات تحذيرية دقيقة أبكر من المشغلين البشر وحدهم، يساعد StarNet في إبقاء الشبكة ضمن نطاق تشغيل آمن. تشير دقته العالية عبر مجموعات بيانات متعددة إلى أنه يمكن أن يتكيف مع تصاميم شبكة مختلفة، من الشبكات الدقيقة الصغيرة إلى الأنظمة الإقليمية الأكبر. تعني الواجهة المستندة إلى الويب أن أوشاح المرافق يمكنها توصيل هذا "المراقب الذكي" بغرف التحكم الحالية بقليل من الاحتكاك. بعبارة بسيطة، تُظهر الدراسة أن دمج عدة أساليب ذكاء اصطناعي في فريق منسق يمكن أن يجعل شبكاتنا الكهربائية أذكى وأكثر موثوقية وأفضل استعدادًا لمستقبل مليء بمصادر طاقة نظيفة لكنها متقلبة وطلب متزايد باستمرار.

الاستشهاد: Chhabra, A., Singh, S.K., Kumar, S. et al. Improving predictive reliability and automation of smart grids using the StarNet ensemble model. Sci Rep 16, 9592 (2026). https://doi.org/10.1038/s41598-025-31479-z

الكلمات المفتاحية: الشبكة الذكية, تعلم الآلة, استقرار الشبكة, الصيانة التنبؤية, موثوقية الطاقة