بنية LSTM لتنبؤ حدود الاستقرار متعددة المجالات في الوقت الحقيقي متجاوزة الاعتماد على ما بعد الخطأ في أنظمة الطاقة

الحفاظ على الإضاءة في شبكة أكثر تذبذبًا

مع استيعاب شبكات الطاقة لمزيد من مزارع الرياح والطاقة الشمسية وتشغيلها أقرب إلى حدودها، يصبح من الأصعب على المشغلين معرفة مدى اقترابهم من انقطاع التيار. تعرض هذه الورقة طريقة جديدة لمراقبة الشبكة في الزمن الحقيقي، باستخدام نموذج ذكاء اصطناعي يقرأ قياسات كهربائية سريعة ويحوِّلها إلى مقياس صحة سهل الفهم. الهدف هو منح طاقم غرفة التحكم ثوانٍ ثمينة إضافية للتدخل قبل أن تتسارع الاضطرابات إلى انقطاعات واسعة النطاق.

لماذا أصبح استقرار الشبكة أكثر صعوبة

يجب على أنظمة الطاقة الكهربائية الحفاظ على ثلاثة أمور في آن واحد: الجهد، التردد، والانسجام الحساس للمولدات الدوارة في تزامنها. يمكن لمشكلة في أي من هذه المجالات أن تسحب الأخرى نحو الفشل المتسلسل. تقليديًا، يقيم المهندسون أنواع الاستقرار هذه بشكل منفصل وغالبًا فقط بعد حدوث خطأ، باستخدام محاكيات بطيئة أو قواعد مبسطة بنعم/لا. هذا النهج أصبح غير كافٍ بشكل متزايد للشبكات الحديثة الثقيلة بالطاقات المتجددة، حيث تتغير الظروف بسرعة ولا يوجد هامش كبير للخطأ.

مقياس أمان واحد لمخاطر خفية متعددة

يقترح المؤلفون «مؤشر أمني ديناميكي شامل» واحد (CDSI) يُجْمع عدة مقاييس معقدة للاستقرار في رقم واحد بين 0 و1. يجمع هذا المؤشر بين مدى تعافي الفولتيات بعد اضطراب، وسلوك زوايا المولدات بأمان، ومدى بقاء تردد النظام بعيدًا عن الحدود الخطرة. القيمة القريبة من 1 تعني أن الشبكة في حالة أمان مريحة؛ والقيمة القريبة من 0 تشير إلى الخطر. كما يقسم المؤشر إلى خمس فئات—طبيعي، إنذار، مخاطر قوية، عاجل، وغير مستقر—حتى يتمكن المشغلون من ملاءمة إجراءاتهم مع مستوى التهديد بدل الاعتماد على حكم خام مستقر/غير مستقر.

تعليم الذكاء الاصطناعي قراءة الشبكة في الزمن الحقيقي

لتنبؤ هذا المؤشر قبل أن تسوء الأمور، تستخدم الدراسة نوعًا من الشبكات العصبية المصممة للسلاسل الزمنية، يُدعى شبكة الذاكرة طويلة المدى (LSTM)، مدموجة مع شبكة عميقة قياسية. بدلاً من الانتظار لسلوك ما بعد الخطأ الكامل، يحتاج النموذج فقط لقياسات مأخوذة قبل وأثناء الخطأ بقليل، بشكل أساسي عند أطراف المولدات حيث أجهزة القياس عالية السرعة (وحدات قياس الطور) شائعة بالفعل. تشمل هذه القياسات الفولتيات وتدفقات القدرة وسرعات تغيرها. في تجارب حاسوبية واسعة على شبكات اختبار معيارية، تعلّم النظام ربط هذه المقاطع القصيرة من البيانات بفئات CDSI بدقة تتجاوز 98%.

جعل توقعات الذكاء الاصطناعي أسهل للثقة

القلق الرئيسي في غرف التحكم هو فهم سبب اندلاع إنذار بواسطة خوارزمية. يتعامل المؤلفون مع هذا بإضافة آلية «انتباه» تُبرز أي المدخلات أثّرت أكثر على كل تنبؤ. على سبيل المثال، أثناء حدث يهدد التردد بشكل أساسي، يركّز النموذج بطبيعته على تغيّرات قدرة المولد؛ وللمشاكل المتعلقة بالجهد، يركّز أكثر على اهتزازات الجهد السريعة في نقاط الضعف بالشبكة. هذا يجعل تتبع التحذيرات إلى معدات أو مواقع محددة أسهل، ويزيد الثقة بأن النظام يعكس الفيزياء الحقيقية بدلًا من العمل كصندوق أسود.

من أداة بحث إلى مساعد في غرفة التحكم

بشكل عام، تظهر الدراسة أنه من الممكن دمج محاكاة غنية مبنية على الفيزياء مع الذكاء الاصطناعي الحديث بحيث يمكن مراقبة شبكة عاملة من خلال مقياس استقرار واحد محدث باستمرار. وبما أن النموذج يحتاج فقط نافذة قصيرة من البيانات وتغطية حسّاسات محدودة، فيمكنه إنتاج نتائج في أقل من مللي ثانية لكل حالة تشغيل—سريع كفاية للاستخدام في الزمن الحقيقي. للمختص العادي، الخلاصة هي أن هذا النهج قد يوفّر لمشغلي الشبكة "مقياس وقود" أوضح للاستقرار، مما يسمح لهم باتخاذ إجراءات تصحيحية بسيطة مبكرًا بدلًا من إجراءات طارئة قاسية لاحقًا، مما يساعد على إبقاء الأنوار مضاءة في نظام طاقة أنظف لكنه أكثر هشاشة.

الاستشهاد: Shahriyari, M., Safari, A., Quteishat, A. et al. An LSTM architecture for real-time multi-domain stability boundary prediction beyond post-fault dependency in power systems. Sci Rep 16, 6330 (2026). https://doi.org/10.1038/s41598-026-36571-6

الكلمات المفتاحية: استقرار شبكة الكهرباء, دمج الطاقات المتجددة, التعلم العميق, المراقبة في الزمن الحقيقي, موثوقية الكهرباء