إطار هجين جماعي وذكاء اصطناعي قابل للتفسير (XAI) للكشف عن الانعزال بدون نتائج إيجابية زائفة في شبكات التوزيع

لماذا حماية الإضاءة مهمة حقًا

مع تركيب المزيد من الألواح الشمسية فوق الأسطح والتوربينات الهوائية الصغيرة ومصادر الطاقة المحلية الأخرى في المنازل والبلدات، يصبح شبكتنا الكهربائية أنظف ولكن أيضًا أكثر تعقيدًا. من أخطر المخاطر في هذا المشهد الجديد «الانعزال» — الحالة التي يستمر فيها حيٌّ ما في إنتاج الكهرباء بعد انقطاعه عن الشبكة الرئيسية. تقدم هذه الورقة نظام ذكاء اصطناعي ذكي من خطوتين يهدف إلى اكتشاف الانعزال بسرعة وبموثوقية، مع تجنّب عمليات فصل غير ضرورية تزعج المشتركين وتجهد الشبكة.

عندما يصبح الحي جزيرته الخاصة

تخيل شارعًا تم فصل الخط الرئيسي عنه للصيانة أو بعد عطل، بينما تستمر أنظمة الطاقة الشمسية على الأسطح بتغذية الأسلاك المحلية بالكهرباء. قد يظن العاملون أن الخط معدوم الجهد بينما هو ما يزال حيويًا، ويمكن أن يتعرض المعدات للتلف عندما تُعاد مزامنة الشبكة بشكل خاطئ عند إعادة الاتصال. وبسبب هذه المخاطر السلامية، تنص اللوائح الدولية على أن يتوقف المولد المحلي عن تغذية الجزء المعزول خلال ثانيتين. تراقب أجهزة الحماية التقليدية التغيرات في الجهد أو التردّد، أو تُحدث اضطرابًا متعمدًا في الشبكة لمعرفة استجابتها، لكن هذه الأساليب إمّا تفوّت بعض حالات الانعزال أو تتسبّب بتنبيهات متكررة خلال أحداث غير ضارة مثل تشغيل محركات أو تبديل مكثفات. تُجبر شركات الكهرباء على الاختيار بين تفويت جزر خطرة والتسبب في عمليات فصل مزعجة.

لماذا هناك حاجة إلى أدوات تعلم أذكى

اتجه الباحثون إلى تعلم الآلة لتمييز الانعزال عن الاضطرابات الأخرى عن طريق تعلّم الأنماط مباشرة من البيانات. استخدمت دراسات سابقة نماذج مفردة مثل الشبكات العصبية أو أشجار القرار التي تُجيب بنعم أو لا على سؤال بسيط: «هل هذا انعزال أم لا؟» المشكلة أن فئة «لا» تغطي مواقف مختلفة كثيرًا — أعطال، عمليات تبديل، سلوك عادي للشبكة — التي قد تبدو متشابهة في القياسات المأخوذة من نقطة واحدة في الشبكة. ضبط نموذج واحد ليكون أكثر حساسية يقلل من احتمال تفويت الانعزال لكنه عادة ما يزيد عدد الإنذارات الخاطئة. وبالمثل، جعل النموذج أقل حساسية لتجنّب الإنذارات المزعجة يجعله أكثر عرضة لتجاهل انعزال حقيقي. كما أن العديد من هذه النماذج يصعب تفسيرها، مما يثير قلق مهندسي الشبكة حول الاعتماد عليها في أدوار الحماية الحرجة.

حارس ذو مرحلتين للشبكة

يقترح المؤلفون استراتيجية مختلفة: تقسيم مهمة الحماية إلى مرحلتين مخصصتين تعملان معًا. في المرحلة الأولى، يعمل خوارزم «عزل الغابات» (Isolation Forest) كحارس يقظ مُدَرَّب فقط على سلوك الشبكة الطبيعي. مهمته بسيطة للغاية — رفع علامة متى ما بدت القياسات الواردة شاذة. تُضبط هذه المرحلة لتكون شديدة الحساسية بحيث تُلتقط تقريبًا أي انحراف، بما في ذلك حالات الانعزال الدقيقة. فقط عند اكتشاف مثل هذا الشذوذ تستيقظ المرحلة الثانية. هنا، يجري نموذج قوي مثل XGBoost فحصًا أدق، لا يكتفي بتقرير ما إذا كان الحدث انعزالًا أم لا، بل يصنفه إلى فئات متعددة مثل الانعزال، الأعطال، تبديل المكثفات، تشغيل المحركات، وتغيرات الحمل الروتينية. عبر تعليم النموذج التعرف على هذه التوقيعات المختلفة بشكل منفصل، يصبح النظام أفضل بكثير في تجنّب الفواصل الخاطئة دون التراجع عن يقظته.

فهم «الصندوق الأسود» عبر التوضيحات

لبناء الثقة في هذا المتخذ للقرارات الآلي، يستخدم الإطار أداة تفسير تُدعى SHAP. لكل حدث، تحسب SHAP مدى إسهام الميزات المختلفة — مثل مدى سرعة تغير تردّد الشبكة، مدى سرعة انتقال القدرة، أو مقدار تشوّه الجهد — في دفع القرار نحو الانعزال أو بعيدًا عنه. في الزمن الحقيقي، يسجّل النظام أهم المساهمين القلائل حتى يرى المشغِّلون سبب إصدار الأمر بفتح القاطع أو إبقائه مغلقًا. أثناء الاختبار والضبط، تساعد مخططات SHAP المفصّلة الباحثين في كشف مناطق ارتباك النموذج، مثل عندما تُحاكي عملية تبديل مكثف سلوك الانعزال. هذه الرؤى وجهت تصميم عتبة ثقة تكيفية: يطلب النظام أدلة أقوى قبل الفصل عندما تبدو الأنماط غامضة، ويمكنه التراخي قليلًا عندما تكون الأدلة واضحة ومتسقة.

كيف أداء النظام الجديد

اختبر الفريق منهجهم على مجموعة بيانات محاكاة ميكروجرِد متاحة علنًا تضم مئات الأمثلة لحالات الانعزال وغير الانعزال تحت ظروف تشغيل عديدة. بعد استخراج سبع ميزات ذات معنى فيزيائي من نوافذ قصيرة من بيانات الجهد والتيار، درّبوا وضبطوا المرحلتين، ثم قيّموا الأداء على حالات لم تُرَ سابقًا. كشف النظام المتسلسل عن 96 بالمئة من حالات الانعزال، ما يعني أن عددًا ضئيلاً جدًا من الجزر بقيت دون ملاحظة في الاختبار، مع إبقاء معدل الإنذارات الكاذبة عند حوالي 2.7 بالمئة. بلغت الدقة الكلية 96.8 بالمئة، وتفوق الأسلوب على نماذج تعلم آلي بموديل واحد وعلى مخطط هجين تقليدي معتمد على العتبات. حتى عند إضافة ضوضاء قياس واقعية، انخفض الأداء بشكل تدريجي بدلاً من الانهيار، وبقي زمن المعالجة أقل من عشر ملّي ثانية — أسرع بكثير من المتطلبات القياسية للشبكات.

ما الذي يعنيه هذا للموثوقية اليومية

لغير المتخصصين، الرسالة الأساسية هي أن الورقة تقدّم طريقة عملية للحصول على «أفضل ما في العالمين» لحماية شبكة حديثة غنية بالطاقة المتجددة. عبر السؤال أولًا «هل يحدث شيء غير معتاد؟» ومن ثم «ما الذي يحدث بالضبط؟»، يتجاوز النظام المأزق التقليدي بين رصد كل انعزال خطير وتجنّب الفواصل غير المبررة. الطبقة الإضافية من التفسيرات تمكّن المهندسين من رؤية المنطق وراء كل أمر فصل، محوِّلة الخوارزمية من صندوق أسود إلى أداة يمكنهم فحصها وتحسينها. وبينما تعتمد الدراسة على بيانات محاكاة وستحتاج إلى إثبات على قياسات العالم الحقيقي، فإنها تشير إلى تكامل أكثر أمانًا وموثوقية للطاقة الشمسية على الأسطح ومزارع الرياح الصغيرة والمولدات الموزعة الأخرى في أنظمة الطاقة اليومية التي نعتمد عليها جميعًا.

الاستشهاد: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

الكلمات المفتاحية: كشف الانعزال, التوليد الموزَّع, تعلم الآلة, حماية نظام الطاقة, الذكاء الاصطناعي القابل للتفسير