إطار ذكاء اصطناعي هجين لتحديد اضطرابات جودة الطاقة في الشبكة الكهربائية

لماذا تهم صحة الكهرباء لديك

معظمنا يتوقع أن تكون الكهرباء من مخرج الحائط ناعمة ومستقرة، تشغّل بهدوء كل شيء من شواحن الهواتف إلى روبوتات المصانع. في الواقع، غالبًا ما تهتز الجهد والتيار في الشبكات الحديثة، وتنخفض وتُرتفع فجأة مع توصيل الألواح الشمسية والإلكترونيات والآلات الثقيلة وفصلها. هذه الأخطاء الصغيرة والمتكررة، المعروفة باضطرابات جودة الطاقة، يمكن أن تسبب سخونة زائدة للمعدات، وتربك أنظمة التحكم الرقمية، وتقلل من عمر الأجهزة الحساسة. تشرح هذه الدراسة كيف يمكن لأداة ذكاء اصطناعي هجينة أن تكتشف بسرعة هذه الاضطرابات وتفرزها حتى عندما تحدث عدة اضطرابات في نفس الوقت، مما يساعد على إبقاء الأنوار مضاءة وحماية الأجهزة الإلكترونية.

نقاط عابرة مخفية في الكهرباء اليومية

من المفترض أن تتبع الطاقة الكهربائية موجة جيبية ناعمة بتردد ثابت. في الممارسة العملية، تدفعها الأجهزة غير الخطية مثل محركات السرعات المتغيرة، وشواحن الهواتف، وإلكترونيات الطاقة في أنظمة الطاقة المتجددة عن مسارها باستمرار. تسبب هذه الأجهزة أنواعًا مختلفة من الاضطرابات مثل الانخفاضات حيث ينخفض الجهد مؤقتًا، والارتفاعات حيث يرتفع، والرعشة التي تجعل الأضواء تومض، والنبضات الحادة، والتوافقيات المضافة التي تجعل الموجة خشنة. عندما تتداخل هذه الأحداث، مثل انخفاض مصحوب بتوافقيات أو حدوث عدة أنواع معًا، تكافح أدوات الرصد التقليدية للتفريق بينها. ومع ذلك، فإن تحديد التوليفة الدقيقة أمر حاسم لمعرفة ما إذا كان المصدر جهازًا معطلاً، أو خللًا في الشبكة، أو مشكلة تصميم.

تحويل الإشارات الفوضوية إلى بصمات مفيدة

يبني المؤلفون نظامهم على مراحل بحيث يقوم كل خطوة بتقطير الإشارة الخام إلى معلومات أوضح. أولاً، يطبقون مرآة رياضية تُسمى تحويل ستوكويل، التي تُظهر كيف يتغير محتوى التردد لإشارة الجهد مع الزمن. هذا يخلق خريطة زمنية-ترددية تبرز، على سبيل المثال، دفعات قصيرة من الضوضاء عالية التردد الناتجة عن نبضة عابرة أو نطاقات متكررة من التوافقيات. من هذه الخرائط يحسبون واصفات رقمية بسيطة مثل متوسط القدرة، والقيم القصوى، ومقاييس الشكل. لتفادي إغراق خوارزمية التعلم ببيانات غير ضرورية، يطبقون بعد ذلك اختبار كاي-تربيع، وهو مرشح إحصائي يحتفظ فقط بالميزات المرتبطة بقوة بالاختلافات بين أنواع الاضطرابات.

تعليم ذكاء اصطناعي ذا ذاكرة للتعرّف على الأنماط

تُصبح هذه الميزات المختارة مدخلاً لشبكة ذاكرة قصيرة وطويلة المدى، وهو نوع من الشبكات العصبية المتكررة الجيدة في التعامل مع المتتاليات. على عكس النماذج الأبسط التي تنظر إلى كل لحظة بمعزل عن الأخرى، تحتفظ هذه الشبكة بذاكرة داخلية تلتقط كيف تتطور الاضطرابات مع الزمن. يدربها الباحثون على 18 فئة من الإشارات، تشمل التشغيل الطبيعي، وستة أنواع اضطراب مفردة، والعديد من التوليفات الثنائية والثلاثية وحتى الرباعية. يولدون 18,000 إشارة نموذجية باستخدام صيغ معيارية ومحاكاة مفصلة لنظامي شبكة مرجعيين معروفين باسم شبكات IEEE ذات 9 محطات و33 محطة. ولجعل الاختبار واقعيًا، يضيفون أيضًا مستويات مختلفة من الضوضاء العشوائية، مقلدين ظروف الشبكات الحقيقية الفوضوية.

تطبيق الطريقة في شبكات افتراضية وفي الزمن الحقيقي

بعد التدريب، يتم اختبار النظام الهجين بعدة طرق. على الإشارات الاصطناعية يصنف الحالات بشكل صحيح في الغالب، بدقة تزيد عن 99 بالمئة للاضطرابات المفردة وما تزال أعلى من 96 بالمئة عندما تحدث أربعة مشاكل مختلفة في آن واحد ومع وجود ضوضاء. ثم ينتقل المؤلفون إلى ما بعد المحاكاة البحتة بإنشاء اضطرابات في نماذج برمجية مفصلة وفي منصة الأجهزة في الحلقة المسماة OPAL-RT، التي تشغّل نماذج الشبكة في الزمن الحقيقي. في هذه الاختبارات الأكثر تطلبًا يظل الأسلوب يحقق نحو 99 بالمئة دقة متوسطة، متفوقًا على شبكة عصبية تقليدية ومجموعة من التقنيات السابقة المبلغ عنها في الأدبيات. والأهم من ذلك، أنه يبقى قويًا عند إدخال ضوضاء قياس.

ماذا يعني هذا لمستخدمي الطاقة اليوميين

بالنسبة للشخص العادي، يشير العمل إلى أجهزة رصد أذكى يمكنها مراقبة الشبكة بهدوء والإبلاغ بسرعة ليس فقط بوجود مشكلة، بل بنوعها بالضبط، حتى عندما تكون عدة مشاكل متشابكة معًا. يمكن لمشغلي المرافق والمستخدمين الكبار للطاقة استخدام مثل هذه الأدوات لتتبع الخليط المتزايد من الطاقات المتجددة والأحمال الإلكترونية دون أن يغرقوا في البيانات. وعلى الرغم من أن الطريقة ما تزال تعتمد على مجموعات تدريب كبيرة وستحتاج إلى التكيف مع أنواع اضطرابات جديدة مع تطور الشبكات، فإنها تُظهر أن الجمع بين تحليل الإشارة المتقدم والذكاء الاصطناعي المعتمد على الذاكرة يمكن أن يعطي صورة أوضح وأكثر موثوقية عن حالة شبكتنا الكهربائية في الزمن الحقيقي.

الاستشهاد: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

الكلمات المفتاحية: جودة الطاقة, الشبكة الكهربائية, الذكاء الاصطناعي, تحليل الإشارات, كشف الاضطرابات