التنسيق متعدد العوامل والتكيف مع عدم اليقين في التحسين الهرمي المدعوم بالتعلم العميق لشبكات التوزيع المهيمنة على مصادر متجددة

لماذا تكتسب الشبكات المحلية الأذكى أهمية

مع تركيب مزيد من المنازل والمزارع والمشروعات الصغيرة لألواح شمسية على الأسطح وتوربينات رياح وبطاريات، تصبح شبكات الطاقة المحلية أنظف — لكنها أيضًا أصعب إدارة. تتغير الشمس والرياح من لحظة لأخرى، ويمكن أن يتقلب الطلب على الكهرباء في المناطق الريفية مع الطقس والفصول وسلوك الناس. تستكشف هذه الورقة كيف يمكن لنظام تحكم "ذكي" جديد، مدعوم بالتعلم العميق واتخاذ القرار متعدد الوكلاء، أن يحافظ على موثوقية هذه الشبكات المحلية المعتمدة على متجددات الطاقة، ويجعلها ميسورة التكلفة ومنخفضة الانبعاثات حتى عندما تكون الظروف شديدة عدم اليقين.

تحدي موازنة الشمس والرياح والطلب

تفترض التخطيطات التقليدية للشبكة أن المهندسين يعرفون تقريبًا كمية الطاقة المطلوبة ومقدار المتاح من المولدات. تنهار هذه الفرضية عندما تعتمد شبكة مقاطعة بشكل كبير على الطاقة الشمسية على الأسطح ومزارع الرياح الصغيرة والبطاريات والأحمال المرنة في المزارع أو المنازل. يمكن أن ترتفع وتنهار مخرجات هذه الأجهزة بسرعة، وفي المناطق الريفية يكون تخطيط الشبكة غير منتظم والمراقبة محدودة. الأدوات الحالية إما تتجاهل هذا عدم اليقين أو تعتمد على سيناريوهات "ماذا لو" ثابتة لا تستطيع مواكبة تغيرات الطقس والطلب. نتيجة لذلك، يواجه المشغلون مخاطر انقطاع التيار، ومشكلات جهد، وفواتير أعلى، أو إهدار طاقة نظيفة عن طريق تقليص إنتاج المتجددات.

تعليم الشبكة فهم عدم يقينها

يقترح المؤلفون إطارًا يسمونه Deep‑DRO يعلّم الشبكة التعرف على عدم اليقين والتكيف معه بدلاً من مجرد تحمّله. أولاً، تهضم نماذج متقدمة للتعلم العميق كميات كبيرة من بيانات الطقس التاريخية وإنتاج الطاقة الشمسية وسرعة الرياح والطلب. تلتقط شبكة قائمة على الرسم البياني كيف يؤثر كل موقع في الشبكة على الآخر، بينما يتتبع نموذج Transformer الأنماط عبر الزمن، مثل الدورات اليومية والموسمية. معًا، يفعلان أكثر من التنبؤ بـ"أفضل تقدير" واحد للظروف المستقبلية — بل يقدّران أيضًا مقدار الخطأ المحتمل في هذه التنبؤات وكيف ترتبط الشكوك المختلفة عبر المكان والزمان.

عديد من صانعي القرار يعملون معًا

فوق طبقة التنبؤ هذه، يبني المؤلفون تسلسلًا هرميًا من وكلاء البرمجيات لاتخاذ القرار يحاكي هيكل نظام توزيع حقيقي. يراقب وكيل واحد المقاطعة ككل، ويدير آخرون المغذيات الفردية، وتمثل وكلاء محليون تجمعات من موارد الطاقة الموزعة مثل صفائف الطاقة الشمسية والبطاريات والأحمال المرنة. باستخدام التعلم التعزيزي متعدد الوكلاء، يتعلم هؤلاء الوكلاء من خلال التجربة والخطأ في بيئة محاكاة. يقومون بضبط شحن البطاريات، وتبادلات الطاقة بين الميكروشبكات، والاستجابة للطلب، ويتلقون مكافآت عندما يخفضون التكاليف، ويحافظون على الجهود ضمن حدود آمنة، ويحتفظون باحتياطات كافية للتعامل مع المفاجآت. تتيحْ شِقّة التعلم الاتحادي مشاركة ما يتعلمه الوكلاء دون تركيز كل البيانات الخام، وهو ما يعكس حدود الاتصال في العالم الحقيقي.

بناء حماية "مناسبة تمامًا" ضد الأيام السيئة

القطعة الثالثة من الإطار هي طبقة التحسين القوي توزيعيًا (DRO) التي تعمل كمشرف حذر. بدلًا من الثقة في تنبؤ احتمالي واحد، تنظر هذه الطبقة في عائلة كاملة من المستقبلات المعقولة المحيطة بما يتنبأ به نموذج التعلم العميق. وبشكل جوهري، تتوسع هذه العائلة عندما يكتشف النموذج سلوكًا أكثر عدم قابلية للتنبؤ وتضيق عندما تكون الظروف مستقرة. هذا يعني أن النظام يصبح تلقائيًا أكثر تحفظًا خلال فترات العواصف أو التذبذب العالي وأكثر كفاءة من حيث التكلفة عندما يكون الأفق هادئًا. تقيم طبقة DRO إجراءات مرشحة من الوكلاء المتعلمين وتعاقب الاستراتيجيات التي تبدو هشة في ظل أسوأ السيناريوهات، لكنها لا تزال واقعية.

ما تكشفه المحاكاة

لاختبار الفكرة، يحاكي الباحثون شبكة مكوّنة من ثلاث ميكروشبكات مترابطة تخدم أحمالًا ريفية مختلطة، لكلٍ منها مزيجها الخاص من الطاقة الشمسية والرياح والكتلة الحيوية والبطاريات. يقارنون ستة استراتيجيات تحكم، تتراوح من جدول حتمي بسيط إلى تحسين واعٍ للمخاطر ومختلف المتحكمات القائمة على التعلم. عبر عام من البيانات عالية الدقة، يقلل نظام Deep‑DRO المتكامل تمامًا تكاليف التشغيل بنحو ربع، ويرفع مؤشر الموثوقية من 0.76 إلى 0.91، ويخفض انبعاثات الكربون بنحو 30 في المئة مقارنةً بالخط الأساس الأبسط. يظل ثابتًا حتى عندما يُزاد عدم اليقين الأساسي اصطناعيًا، ويتعلم توقيت شحن البطاريات وتبادلات الطاقة للاستفادة من فترات أنظف وأرخص مع تجنّب التشغيل بخطوط هامش ضيقة محفوفة بالمخاطر.

مسار أذكى نحو طاقة نظيفة ومرنة

للغير متخصصين، الرسالة الأساسية هي أن جعل الشبكات المحلية نظيفة لم يعد مجرد إضافة المزيد من الألواح الشمسية أو البطاريات — بل يتعلق بجعل نظام التحكم ذكيًا بما يكفي لتوقع عدم اليقين والتكيف معه. من خلال دمج التعلم العميق، واتخاذ القرار التعاوني بين العديد من الوكلاء، والإحساس المدمج بالحذر تجاه النتائج السيئة، يبيّن إطار Deep‑DRO المقترح كيف يمكن للمقاطعات والمناطق الريفية تشغيل شبكات عالية الاعتماد على المتجددات تكون اقتصادية ومرنة في آن واحد. عمليًا، يمكن أن يساعد هذا النهج في إبقاء الأنوار مضاءة، وخفض الفواتير، وتقليل الانبعاثات، حتى مع زيادة اعتماد إمداداتنا الكهربائية على الطقس واللامركزية.

الاستشهاد: Zheng, Y., Li, H., Wang, S. et al. Multi-agent coordination and uncertainty adaptation in deep learning–assisted hierarchical optimization for renewable-dominated distribution networks. Sci Rep 16, 5176 (2026). https://doi.org/10.1038/s41598-026-35945-0

الكلمات المفتاحية: شبكات الطاقة المتجددة, التعلم التعزيزي متعدد الوكلاء, التحسين القوي توزيعيًا, الميكروشبكات الذكية, التنبؤ بالتعلم العميق