إطار دمج هرمي لإدارة طاقة المركبة إلى الشبكة باستخدام ذكا�ب تنبؤي وتسعير قائم على التعلم

لماذا يمكن لسيارتك أن تساعد في إبقاء الأنوار مضاءة

يفكر معظم الناس في السيارة الكهربائية كوسيلة أنظف للانتقال من نقطة أ إلى ب. تستكشف هذه الورقة فكرة أوسع: ماذا لو أن ملايين السيارات الكهربائية المتوقفة تستطيع بهدوء مساعدة تشغيل شبكة الكهرباء؟ من خلال توقيت الشحن وحتى السماح بإعادة إرسال الطاقة، تُظهر الدراسة كيف يمكن للبرمجيات الذكية تقليل تكاليف الكهرباء، وتخفيف الضغط عن الشبكة، وتحسين استخدام الطاقة الشمسية والرياح.

السيارات، والمقابس، وطريق ذو اتجاهين

نقطة الانطلاق هي مفهوم يُسمى المركبة‑إلى‑الشبكة، أو V2G. بدلاً من مجرد استهلاك الطاقة، يمكن للسيارة الكهربائية أن تعمل أيضاً كبطارية صغيرة للشبكة، تشحن عندما تكون الكهرباء رخيصة ومتاحة وتُفرغ عندما يرتفع الطلب. يبدو ذلك بسيطاً، لكن التطبيق العملي يتطلب توازناً دقيقاً: يحتاج السائقون سياراتهم جاهزة، والأسعار تتغير ساعة بساعة، وتستمر القدرة الشمسية والرياحية في التذبذب مع الطقس. اليوم، تتعامل معظم الأنظمة مع هذه العناصر بشكل منفصل، ما يؤدي إلى فقدان فرص التوفير وإجهاد غير ضروري لخطوط الطاقة.

السماح للآلات بالنظر إلى الأمام

الركن الأول في الإطار المقترح هو وحدة ذكاء اصطناعي تطلع إلى المستقبل القريب. تتعلم من أنماط سابقة لطلب الشبكة والطقس وإنتاج الطاقة المتجددة وأسعار الكهرباء وعادات السائقين لتتنبأ متى ستكون الطاقة رخيصة أو غالية ومتى من المرجح أن تُوصل السيارات بالمقابس. باستخدام هذه التنبؤات، تضع خطة شحن: ملء البطاريات خلال ساعات الطلب المنخفض والأسعار المنخفضة، وإعادة تغذية الشبكة عندما ترتفع الطلبات والأسعار، وإبقاء السيارة بلا استخدام خلاف ذلك. في المحاكاة، تُسهم هذه المقاربة التنبؤية في تسطيح ذرى الشحن، وتقلل الإجهاد على المعدات، مع ضمان شحن البطاريات في الوقت المناسب.

تحويل الأسعار إلى إشارات لا مفاجآت

الجزء الثاني يستخدم أفكاراً من علم الاقتصاد لتحديد أسعار توجه الجميع في اتجاه مفيد. هنا يُعامل مالكو المركبات، ومشغلو الشبكة، وسوق الطاقة كلاعبين في لعبة. يمكن لكل سيارة تقديم «عرض» بسيط لمتى تريد الشحن أو بيع الطاقة، استناداً إلى مستوى بطاريتها والأسعار الحالية. ثم يقوم طبقة التسعير بتعديل الأسعار في الوقت الحقيقي بحيث، عندما تكون الشبكة تحت ضغط، يصبح بيع الطاقة من السيارات أكثر جاذبية، وعندما تكون الشبكة مرتاحة، يصبح الشحن رخيصاً. تكافئ هذه المقاربة السائقين على المرونة، وتمنع التزاحم عند الشحن في نفس الوقت، وتحافظ على الطلب الإجمالي ضمن حدود آمنة.

تعليم النظام عبر الخبرة

الطبقة الثالثة هي متحكم يتعلم بالممارسة قائم على التعلم المعزز، وهو فرع من الذكاء الاصطناعي يستخدم أيضاً في روبوتات اللعب. يرى المتحكم الحالة الحالية لكل سيارة وللشبكة — مستوى البطارية، والطلب، والسعر، والوقت — ويجب أن يختار الشحن أو التفريغ أو الانتظار. يتلقى مكافآت على الخيارات المفيدة، مثل الشحن عندما تكون الطاقة رخيصة أو التفريغ أثناء النقص، وعقوبات على الأفعال المهدرة. عبر أيام محاكاة عديدة، يكتشف استراتيجيات توفر المال وتدعم الشبكة، حتى عندما تتغير الظروف فجأة، مثل انخفاض مفاجئ في طاقة الرياح.

تجميع العقول بدلاً من اختيار واحدة

التقدم الرئيسي في هذا العمل هو أن هذه الطرق الثلاث لا تعمل بمعزل عن بعضها. تشكل طبقة التنبؤ ما يمكن لوحدة نظرية الألعاب أن تحدد من أسعار، بحيث تبقى الأسعار واقعية. وهذه الأسعار بدورها تصبح جزءاً من ما يستخدمه متحكم التعلم لاتخاذ قراره التالي. يخلق هذا «الدمج الهرمي» خط قرار منسق واحد بدلاً من ثلاث نظم متنافسة. عند اختباره مقابل طرق شائعة أخرى — بما في ذلك التنبؤ المتقدم وحده، والتعلم متعدد الوكلاء، وتقنيات التحسين القياسية — قدم النظام المندمج باستمرار تكاليف شحن أقل وحمولات شبكية أكثر سلاسة، مع الحفاظ على أوقات انتظار السائقين قصيرة.

ما يعنيه ذلك للسائقين وللشبكة

بالنسبة للقارئ العادي، الخلاصة بسيطة: مع البرمجيات المناسبة، يمكن للسيارات الكهربائية المتوقفة كسب المال بهدوء والمساعدة في استقرار الشبكة، دون أن يضطر السائقون للتفكير في الأمر. تُظهر الدراسة أن الجمع بين التنبؤ، والتسعير الذكي، والتحكم التكيفي يمكن أن يقلل الفواتير، ويخفض ذرى استهلاك الكهرباء، ويُحسن استخدام الطاقة النظيفة. وعلى الرغم من أن النتائج مبنية على محاكاة وهناك حاجة لمزيد من التجارب الحقلية ودراسة تآكل البطاريات، إلا أن الإطار يشير إلى مستقبل تصبح فيه سيارتك أكثر من وسيلة نقل — إنها محطة طاقة صغيرة وذكية تتعاون مع ملايين غيرها لدعم نظام طاقة أكثر موثوقية واستدامة.

الاستشهاد: Nandagopal, V., Bhaskar, K., Periakaruppan, S. et al. A hierarchical fusion framework for vehicle to grid energy management using predictive intelligence and learning based pricing. Sci Rep 16, 6019 (2026). https://doi.org/10.1038/s41598-026-37243-1

الكلمات المفتاحية: المركبة-إلى-الشبكة, الشحن الذكي, المركبات الكهربائية, التسعير الديناميكي, التعلم المعزز