إطار تعلم تقويٍ مُكيف لتحسين الشبكات المصغرة المستدامة في بيئات حضرية قاحلة

إبقاء الأضواء مضاءة في مدينة صحراوية

تخيل إدارة مدينة حديثة حيث ترتفع درجات الحرارة في الصيف فوق 40°م بانتظام، وتعمل مكيفات الهواء بلا توقف، وتجهد خطوط الكهرباء لمجاراة الطلب. هذه هي الحياة اليومية في أماكن مثل الرياض بالمملكة العربية السعودية. تستكشف هذه الورقة كيف يمكن لنظام تحكم ذكي جديد، مستوحى من طريقة تعلم الحواسيب لعب ألعاب الفيديو المعقدة، أن ينسق بين الألواح الشمسية والتوربينات الهوائية والبطاريات والمولدات الديزل والشبكة الرئيسية للحفاظ على طاقة المدينة بتكلفة أقل وبانبعاثات أقل.

لماذا تهم الشبكات الصغيرة

بدلاً من الاعتماد فقط على محطات توليد ضخمة بعيدة، تتجه العديد من المدن إلى "الشبكات المصغرة"—شبكات محلية صغيرة تجمع مصادر طاقة مختلفة ويمكنها حتى مشاركة الطاقة مع الجيران. في المناطق الحارة والجافة، يكون ذلك مهماً بشكل خاص: الطلب على التبريد يتقلب بقوة مع الطقس، والطاقة الشمسية متوفرة على شكل دفعات خلال النهار، والرياح قد تكون ضعيفة أو غير متوقعة. تميل أنظمة التحكم التقليدية إلى اتباع قواعد أو جداول ثابتة، وهي ليست جيدة في الاستجابة لتغيرات مفاجئة، مثل قفزة في استخدام التكييف أو يوم مغبر يحجب الشمس. والنتيجة هي هدر للطاقة النظيفة، وزيادة حرق الوقود في مولدات الديزل، وفواتير أعلى.

مخّ متعلّم لنظام الطاقة

بنى الباحثون نموذجاً حاسوبياً مفصلاً لخمس شبكات مصغرة مترابطة تمثل مبانٍ وأحياء نموذجية في الرياض—منازل كبيرة وصغيرة، وكتل متعددة الاستخدامات، ومناطق تجارية. احتوت كل شبكة مصغرة على مزيجها الخاص من الألواح الشمسية والتوربينات الهوائية الصغيرة وبدائل ديزل وذخيرة بطاريات، إلى جانب وصلة بالشبكة الكهربائية الأوسع. باستخدام برنامج محاكاة طاقة المباني (EnergyPlus)، أنتجوا بيانات ساعةً بساعة على مدار سنة كاملة: مقدار الطاقة المستخدمة، ودرجات الحرارة، وشدة الإشعاع الشمسي، وسرعة الرياح. وفوق ذلك أضافوا "عميل" تعلم تعزيزي—مخّ برمجي يراقب حالة النظام (الطلب، وشحن البطارية، والطاقة الشمسية والهوائية المتاحة، وحالة المولدات) ويقرر الخطوات التالية: شحن أو تفريغ البطاريات، تشغيل أو إيقاف مولدات الديزل، استيراد أو تصدير الطاقة، ومشاركة الطاقة بين الشبكات المصغرة.

كيف يتعلم النظام اتخاذ قرارات أفضل

يعمل التعلم التعزيزي بالتجربة والخطأ. في المحاكاة، يجرب العميل إجراءات تحكم مختلفة ساعةً بساعة ويحصل على مكافأة أو عقوبة بناءً على النتائج. تُجمَع المكافأة من ثلاثة أفكار بسيطة: خفض التكاليف، الحفاظ على تزويد الكهرباء، وتفادي هدر أو تجاهل الطاقة المتجددة. إذا أدت قراراته إلى استخدام مكلف لمولدات الديزل، أو انقطاعات في الطاقة، أو طاقة شمسية غير مستغلة، يُعاقَب. وإذا نجح في تلبية الطلب بمزيد من الشمس والرياح، وانخفضت الانبعاثات، واستقرت العمليات، فيتلقى مكافأة. على مدار عشرات الآلاف من جولات التدريب، يكتشف العميل تدريجياً استراتيجيات توازن بين هذه الأهداف. بعد التدريب، يمكنه اتخاذ قرارات في الزمن الحقيقي خلال بضعة أجزاء من الثانية.

ماذا يحدث عندما تقاوم الصحراء

لاختبار ما إذا كان هذا النهج سيفيد حقاً في مناخ قاسٍ، اختبر الفريق النظام تحت ظروف واقعية ومجهدة. أعاد النموذج إنتاج تقلبات الرياض الموسمية، مع تبريد مكثف في الصيف وأحمال أخف في الشتاء. تتبع المتحكم القائم على التعلم الاستخدام الطاقي ساعةً بساعة وسنةً بسنة بدقة (موضحاً نحو 90–94% من التباين)، وهو أمر حاسم لتوقع الذرى. خفّض خسائر الطاقة خلال يوم نموذجي وحوّل جزءاً أكبر من الإمداد إلى الشمس والرياح، باستخدام البطاريات لتنعيم الفجوات. عندما حاكى الباحثون أحداثاً مثل عاصفة غبار قطعت الطاقة الشمسية فجأة أو موجة حر دفعت الطلب للارتفاع الحاد، استجاب النظام بتفريغ البطاريات، وتنسيق استخدام الديزل، ومشاركة الفائض بين الشبكات المصغرة—كل ذلك من دون فصل للمستخدمين.

هواء أنظف وفواتير أقل

بخلاف الحفاظ على تواصل التيار، نظرت الدراسة في الأثر البيئي باستخدام تقييم دورة حياة يركز على التشغيل اليومي. بالمقارنة مع إعداد تقليدي قائم على قواعد ثابتة، خفّض النظام التكيفي انبعاثات ثاني أكسيد الكربون بنحو 14%، وقلّلت التلوث المسبب لتكوين الأحماض بحوالي 14%، وخفّض إجمالي استهلاك الطاقة بحوالي 10%. تأتي هذه المكاسب أساساً من تشغيل مولدات الديزل أقل تكراراً والاستخدام الأفضل للطاقة المتجددة المحلية والتخزين. ببساطة، منح الشبكة المصغرة مخّاً متعلماً مكنها من استخلاص عمل مفيد أكثر من كل وحدة طاقة نظيفة، والاعتماد أقل على الوقود، والبقاء موثوقة حتى عندما يتقلب مناخ الصحراء.

الاستشهاد: Mohamed, M.A.S., Almazam, K., Alzahrani, M. et al. Adaptive reinforcement learning framework for sustainable microgrid optimization in arid urban environments. Sci Rep 16, 7356 (2026). https://doi.org/10.1038/s41598-026-37752-z

الكلمات المفتاحية: الشبكات المصغرة, التعلم التعزيزي, الطاقة المتجددة, إدارة الطاقة, المدن القاحلة