التنبؤ بالحمولة وإدارة الطلب القائمة على التحسين في الشبكات الصغيرة للمباني الذكية باستخدام نموذج الإوز الرمادي ونماذج الرسم الثنائي المستوى

لماذا تحتاج المباني الأذكى إلى «عقول» طاقة أذكى

مع إضافة الألواح الشمسية والبطاريات والمركبات الكهربائية إلى المنازل والمكاتب والحُرم الجامعية، تصبح إدارة الطاقة معقدة بشكل مفاجئ. يجب على المباني أن تقرر باستمرار متى تسحب الطاقة من الشبكة، ومتى تشحن أو تفريغ البطاريات، وكيف تتجنب الهدر والانقطاعات. تعرض هذه الورقة "عقل طاقة" جديدًا للشبكات الصغيرة للمباني الذكية يتنبأ باستهلاك الكهرباء بدقة عالية ويخطط لاستخدام البطارية بعناية بحيث يمكنه زيادة عمر البطارية إلى أكثر من الضعف.

إبقاء الأنوار مضاءة في شبكة مصغرة معقدة

الشبكة الصغيرة لمبنى ذكي تشبه نظام طاقة مصغر محاط بموقع واحد. قد تتضمن ألواحًا شمسية على الأسطح، وتوربينات رياح صغيرة، وبطاريات، ومركبات كهربائية، واتصالًا بالشبكة الرئيسية. يجب على مدير طاقة المبنى موازنة العرض والطلب كل بضع دقائق، حتى مع تغيّر ضوء الشمس، وحركة الأشخاص، وشيخوخة البطاريات. إذا كانت التوقعات غير دقيقة، فقد يشتري المبنى طاقة ذروة باهظة الثمن، أو يهدر طاقة متجددة، أو يتلف البطاريات أسرع مما هو متوقع. يركز المؤلفون على هدفين رئيسيين: التنبؤ بالطلب على الطاقة قصير الأجل في مثل هذه المباني، واستخدام هذه المعرفة لتشغيل البطاريات بطريقة تقلل التكاليف والتآكل.

تنظيف البيانات قبل التنبؤ

تبدأ المنظومة بسنة من القياسات المفصّلة من شبكة صغيرة لمبنى ذكي حقيقي في الهند. كل خمس دقائق، سجّلت المستشعرات تيارات وشُدود الشبكة، وإنتاج الطاقة الشمسية، وسلوك البطارية، وظروف الطقس مثل الحرارة والرطوبة وسرعة الرياح. بيانات العالم الحقيقي فوضوية: تفشل المستشعرات، وتقفز القراءات، وتستخدم المقادير المختلفة مقاييس غير متناسقة. لإصلاح ذلك، يطبق المؤلفون خطوة تنظيف متخصصة تُسمى الترشيح التكراري المعاد العينة السريع (Fast Resampled Iterative Filtering)، التي تمتص الضوضاء مع الحفاظ على التغيرات الحقيقية في الطلب. ثم يستخدمون طريقة بحث مستوحاة من الطبيعة، تحسين حيوان جراب البراري (Prairie Dog Optimization)، لتحديد أي قراءات المستشعر هي الأكثر أهمية للتنبؤ. تختار المنهجية خمس مدخلات أساسية — مثل جهد الشمس، وطاقة تفريغ البطارية، ووقت اليوم — مزيحة الإشارات المكررة التي تزيد التعقيد دون إضافة معلومات جديدة كبيرة.

تعليم شبكة لقراءة شبكة الطاقة

بدلاً من التعامل مع كل قياس كسلسلة زمنية منعزلة، يصوّر المؤلفون تفاعلاتها كشبكة. في شبكتهم «الشبكية الالتفافية التجميعية ثنائية المستوى» (Relational Bi-Level Aggregation Graph Convolutional Network)، يرمز كل عقدة في الرسم إلى واحدة من الميزات الأساسية (مثل درجة الحرارة أو طاقة تفريغ البطارية)، وتمثل الروابط مدى تأثيرها المتبادل مع مرور الوقت. يتعلم النموذج أولًا الأنماط المحلية، مثل كيفية تحرك جهد الشمس وطاقة البطارية معًا خلال نافذة زمنية قصيرة، ثم يبني أنماطًا عالمية تلتقط الدورات اليومية والعلاقات الأوسع. من خلال الجمع بين هذه الطبقات، ترى المنظومة ليس فقط متى يتغير الطلب، بل كيف يرتبط هذا التغير بالشمس والحرارة واستخدام البطارية، مما يحسّن قدرتها على التنبؤ بالحمولات القادمة.

استلهام نمط طيران من الإوز

لضبط هذا النموذج الرسومي، يستخدم المؤلفون طريقة أخرى مستوحاة من الأحياء، تحسين الإوز الرمادي (Greylag Goose Optimization). في الطبيعة، يضبط الإوز في تشكيل V مواضعه باستمرار لتوفير الطاقة والبقاء على المسار. في هذا الخوارزم، تمثل كل «إوزة» مجموعة محتملة من إعدادات النموذج، مثل معدل التعلم والأوزان الداخلية. أثناء التدريب، تستكشف هذه الإوزات الافتراضية مواضعها وتكرّرها، باحثة عن التركيبات التي تُنتج أقل خطأ في التنبؤ دون الوقوع في حلول محلية ضعيفة. يساعد هذا الضبط التكيفي النموذج على البقاء مستقرًا حتى عندما تكون أحمال المبنى غير منتظمة للغاية، مثل الارتفاعات المفاجئة نتيجة شحن المركبات الكهربائية أو الانخفاضات أثناء ساعات عدم الإشغال.

تنبؤات أدق وبطاريات تدوم أطول

عند الاختبار مقابل عدة طرق تعلم عميق وهجينة شائعة، يحقق الإطار الجديد نحو 98.3% دقة وسطى في التنبؤ، مقابل نحو 80–92% لأفضل البدائل. مقاييس الخطأ الخاصة به تقل عن نصف تلك الخاصة بالنماذج المنافسة، وتكون توقعاته أكثر اتساقًا بين تشغيل وآخر. عندما تُستخدم التوقعات الناتجة لجدولة واعية للبطارية، يمكن للمبنى الحفاظ على الطلب ضمن نطاق فعال وتجنب دورات شحن–تفريغ عميقة ومجهدة. تشير المحاكاة إلى أن هذا التحكم الأكثر حرصًا يمكن أن يضاعف زمن بقاء البطارية فوق 80% من سعتها الأصلية، محولًا التنبؤ الأفضل إلى تقليل حقيقي في تكلفة الأجهزة.

ماذا يعني هذا لمستخدمي الطاقة اليوميين

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن التخطيط الرقمي الأفضل داخل المبنى يمكن أن يترجم مباشرة إلى فواتير أقل، واضطرابات شبكية أقل، وبطاريات ومعدات تدوم أطول. من خلال تنظيف بيانات المستشعرات، والتركيز على الإشارات الأكثر معلوماتية، ونمذجة كيفية تفاعلها، وضبط النموذج بذكاء، يقدم النهج المقترح للشبكات الصغيرة للمباني رؤية أوضح بكثير للمستقبل القريب. وتتيح هذه الوضوح بدوره اتخاذ قرارات أذكى حول متى نخزن أو نستخدم أو نبيع الكهرباء، مما يقربنا من مبانٍ موثوقة منخفضة الكربون تدير طاقتها بهدوء خلف الكواليس.

الاستشهاد: Ahamed, B.S., Dhanya, D., Sivaramkrishnan, M. et al. Optimization based load forecasting and demand management in smart building microgrids with Greylag Goose and Bi level graph models. Sci Rep 16, 6386 (2026). https://doi.org/10.1038/s41598-026-36960-x

الكلمات المفتاحية: الشبكات الصغيرة للمباني الذكية, تنبؤ الحمولة, تدهور البطارية, إدارة الطاقة, الشبكات العصبية الرسومية