إدارة استهلاك الكهرباء وتغيير ذروة الحمل في الشبكة الذكية وعوامل التأثير من نموذج الشبكة العصبية المعتمدة على الذاكرة والتعلّم العميق

لماذا يهم استخدام الكهرباء بشكل أذكى في الحرم الجامعي

تنبض الحياة في الحرم الجامعي على مدار الساعة: محاضرات ومختبرات وحياة في النوميات وجلسات دراسة متأخرة وهمهمة الخوادم والأضواء. كل هذا يترجم إلى تقلبات كبيرة في الطلب على الكهرباء—ذروات حادة عندما تعمل العديد من الأجهزة معًا وسبات عميق عندما تكون المباني شبه خالية. تلك الذروات مكلفة للشبكة ومهدرة للبيئة. تستكشف هذه الدراسة كيف يمكن لدمج أدوات الذكاء الاصطناعي الحديثة مع تخزين الطاقة القائم على الهيدروجين أن يساعد الجامعات على توقع أوقات الحاجة للطاقة، وتنعيم تلك الذروات، واستخدام الكهرباء بكفاءة أكبر دون إطفاء أضواء التعلم.

رصد أنماط الحياة اليومية في الحرم

الفكرة الأساسية في العمل هي أن استهلاك الكهرباء في الحرم ليس عشوائياً—بل يتبع روتين البشر بدقة. جمع الباحثون بيانات مفصّلة لاستهلاك الكهرباء من 15 مبنى في جامعة صينية على مدار نحو عام ونصف، إلى جانب سجلات الطقس وجداول المحاضرات. استخدموا خرائط حرارية بألوان توضح كيف يرتفع وينخفض استهلاك الطاقة ساعة بساعة في أماكن مختلفة: النوميات، الفصول، المكاتب، المقاصف وأنظمة الإضاءة. من هذه الصور حدّدوا ستة أنماط يومية، مثل النوميات التي تظهر ذروتين كبيرتين عند وقت الغداء وفي وقت متأخر من الليل، الفصول التي تبلغ الذروة فقط خلال ساعات المحاضرات، والأضواء الشارعية التي تبقى مشتعلة بثبات طوال الليل. تشكل هذه الأنماط أساس تكتيكات توفير الطاقة المصممة لكل نوع مبنى.

تعليم شبكة عصبية لتوقع الطلب

للاستفادة من تلك الأنماط، تحتاج أولاً لمعرفة كيف سيبدو الغد. درّب الفريق نوعًا من الذكاء الاصطناعي يسمى الشبكة العصبية المعتمدة على التذكّر (RNN) لتوقع كمية الكهرباء التي سيستهلكها كل مبنى من ساعة إلى التالية. صممت هذه الشبكات للعمل مع المتتاليات، ما يجعلها مناسبة لتتبّع كيفية تطور الطلب على الطاقة مع الزمن. استوعب النموذج 24 ساعة من التاريخ القريب دفعة واحدة—استهلاك الكهرباء في الماضي، ودرجة الحرارة، والرطوبة، ووقت اليوم، وما إذا كان يوم عمل أو عطلة، وحتى ما إذا كانت هناك محاضرات مجدولة—ثم تنبأ باستهلاك الساعة التالية. تعامل المؤلفون بحرص مع تنظيف البيانات: ملأوا القراءات المفقودة عن طريق البحث عن أيام مماثلة في الطقس والجدول، وقسموا البيانات ترتيبياً إلى مجموعات تدريب والتحقق والاختبار لتفادي الإفراط في التكيّف.

التفوق على طرق التنبؤ الأخرى

اختبر أداء الـRNN مقابل عدة أدوات توقع شائعة، بما في ذلك الانحدار الخطي البسيط، والانحدارات غير الخطية الأكثر مرونة، والنماذج الإحصائية التقليدية مثل ARIMA ونماذج Grey، وطريقة تعلم عميق أخرى تسمى LSTM. عبر بيانات الحرم وثلاث مجموعات بيانات كهربائية عامة، أنتجت الـRNN أخطاء أقل باستمرار. في اختبارات حقيقية على الحرم، كان متوسط مربع الخطأ للـRNN—مقياس يعاقب الأخطاء الكبيرة—أصغر بكثير من نظيره في الانحدار الخطي، وبقي متوسط نسبة الخطأ في خانة المنفردات. أظهرت توزيعات الأخطاء أن أخطاء الـRNN كانت متجمعة بشكل محكم وأن منحنياته المتوقعة كادت تتطابق مع الحمل الفعلي، مما يشير إلى دقة واستقرار. وبالرغم من أن المؤلفين ينبهون إلى أن هذا لا يعني تفوق RNN دائمًا على LSTM عمومًا، إلا أنه يبيّن أن شبكة بسيطة نسبيًا يمكن أن تعمل جيدًا جدًا في هذا الإطار المحدد.

تسطيح منحنى الطلب باستخدام تخزين الهيدروجين

التنبؤ وحده لا يخفض الفاتورة؛ تحتاج أيضاً إلى وسيلة لإعادة تشكيل الطلب. تقدم الدراسة هنا نظام تخزين طاقة افتراضي قائم على الهيدروجين يتصرف كعازل ضخم قابل لإعادة الشحن. عندما يتنبأ الـRNN بساعات حمل منخفضة، "يشحن" النظام بتحويل الكهرباء إلى هيدروجين؛ وعندما تلوح الذروات، "يفرغ" مخزون الطاقة ليغذي الحرم مرة أخرى. تحدد خوارزمية برمجة ديناميكية، ساعة بساعة، ما إذا كان يجب على التخزين الشحن أو التفريغ أو البقاء خاملاً، مع احترام حدود السعة والطاقة والكفاءة. في مثال نموذجي لمدة 24 ساعة، خفّضت هذه الاستراتيجية الحد الأقصى اليومي للحمل من نحو 46 كيلوواط-ساعة إلى نحو 33، وقلّلت الفارق بين الذروة والمتوسط، وألغت جميع الفترات التي تجاوز فيها الطلب الحصة المقررة. كانت التكلفة زيادة طفيفة في إجمالي استهلاك الطاقة اليومي—أقل من واحد بالمئة—بسبب خسائر دورة التخزين.

ما يعنيه هذا لمستخدمي الطاقة اليوميين

ببساطة، تُظهر الدراسة أن الحرم الجامعي—وبما في ذلك مجمعات المكاتب والمستشفيات أو الأحياء السكنية—يمكنه استخدام الذكاء الاصطناعي ليس فقط لرؤية مستقبله الطاقي بل لتشكيله أيضاً. عبر توقع متى وأين ستحتاج الكهرباء، وربط هذه التنبؤات بتخزين مرن مثل خزانات الهيدروجين أو البطاريات، يمكن للمشغلين تقليم الذرا، والاستفادة بشكل أفضل من الطاقة أثناء الفترات المنخفضة، وتقليل الضغط على الشبكة الأوسع. يحذر المؤلفون من أن نتائجهم مستمدة من حرم واحد ووحدة تخزين محاكاة، وأن نشر الحلول في العالم الحقيقي يجب أن يأخذ في الحسبان الأسعار والانبعاثات والراحة. ومع ذلك، يقدم الإطار مخططًا عمليًا لاستخدام كهرباء أذكى وأنظف في الأماكن التي تتشكل فيها عادات الطاقة غدًا اليوم.

الاستشهاد: Wang, F., Huang, D. & Lu, W. The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning. Sci Rep 16, 5569 (2026). https://doi.org/10.1038/s41598-026-35754-5

الكلمات المفتاحية: الشبكة الذكية, طاقة الحرم الجامعي, توقع الأحمال, تخزين الهيدروجين, التعلّم العميق