نماذج التعلم الآلي لتنبؤ استقرار الشبكة الذكية: تحليل مقارن

المحافظة على الإضاءة في عالم طاقة متغير

مع اتصال المزيد من المنازل والسيارات والصناعات بالشبكة الكهربائية—وتزايد الإمداد من الرياح والطاقة الشمسية—تصبح مهمة الحفاظ على استقرار الشبكة أصعب وأكثر أهمية. يمكن أن يؤدي تذبذب بسيط في التردد أو الجهد إلى أحداث متتالية تتسبب في انقطاع التيار الكهربائي يؤثر على ملايين الأشخاص. تستعرض هذه الورقة كيف يمكن لتقنيات التعلم الآلي الحديثة أن تعمل كنظام إنذار مبكّر للشبكات الذكية، مكتشفةً متى يتجه النظام نحو مشكلة وبدرجة دقة تقترب من الكمال.

من الشبكات التقليدية إلى شبكات ذكية غنية بالبيانات

صممت شبكات الكهرباء التقليدية لتدفق أحادي الاتجاه: تولّد المحطات الكبيرة الكهرباء، ويستهلكها العملاء ببساطة. أما شبكات اليوم الذكية فهي أكثر ديناميكية بكثير. الألواح الشمسية على الأسطح ومزارع الرياح والبطاريات والمركبات الكهربائية تدفع وتسترجع الطاقة في أنماط معقدة تتغير من دقيقة لأخرى. تجعل هذه التعقيدات من الصعب على المشغلين تحديد ما إذا كانت الشبكة في حالة صحية. يركز المؤلفون على مهمة محددة: بناءً على لقطة لحالة تشغيل شبكة ذكية صغيرة ممثلة تمثيلاً مناسباً، هل يستطيع الحاسب أن يقرر تلقائياً ما إذا كان النظام مستقرًا أم غير مستقر، وبسرعة تكفي لإعلام قرارات التحكم في الزمن الحقيقي؟

تعليم الآلات شكل الاستقرار في الشبكة

لمعالجة هذا التحدي، يستخدم الباحثون مجموعة بيانات كبيرة مفتوحة تحاكي شبكة ذكية صغيرة تضم منتج طاقة واحد وثلاثة مستهلكين. تصف البيانات لكلٍ من 60,000 حالة محاكاة مدى سرعة استجابة كل جزء من الشبكة لتغيرات الأسعار ومدى قوّة تعديل استخدامه أو إنتاجه للطاقة استجابةً لذلك. تُصنف كل حالة على أنها مستقرة أو غير مستقرة. بدلاً من إدخال هذه القيم الخام مباشرة إلى الخوارزميات، يصمم الفريق ميزات جديدة مستوحاة من الفيزياء تدمج بين التأخير والمرونة، مما يلتقط مدى تراخٍ أو رشاقة الشبكة ككل عند تغير الظروف. ثم يضيّقون مجموعة المرشَّحات البالغة 19 ميزة إلى 13 ميزة ذات معلوماتية عالية من خلال عملية اختيار دقيقة تتجنب الإفراط في الملاءمة.

اختبار أربعة عشر طريقة تعلم

مزودين بهذا الوصف المصقول لسلوك الشبكة، يُجري المؤلفون مقارنة واسعة بين 14 نموذجًا مختلفًا للتعلم الآلي، تتراوح من صيغ خطية بسيطة إلى مجموعات متطورة قائمة على الأشجار. كما يستكشفون أفضل طرق إعادة مقياس بيانات الإدخال لكل نوع نموذج، ويقومون بضبط العديد من «مقابض» هذه الخوارزميات الداخلية باستخدام استراتيجيتين للتهيئة: طريقة بحث بايزية تُسمى TPE ونَهج مُستلهم من الطبيعة يعرف بمُحسّن الذئب الرمادي. لا يُقاس الأداء بدقة إجمالية فقط، بل أيضًا باستخدام مقاييس أكثر تشدّدًا تعاقب على فقدان حالات عدم الاستقرار والإنذارات الكاذبة المبالغ فيها. عبر هذه الحزمة من الاختبارات، ترتقي نماذج التعزيز التدرُّجي الحديثة—وخاصة LightGBM—بثبات إلى الصدارة.

تحذيرات تكاد تكون مثالية ولماذا يمكننا الوثوق بها

النموذج الأفضل أداءً، وهو نسخة مضبوطة من LightGBM، يصنّف بشكل صحيح نحو 99.9% من الحالات في مجموعة اختبار محجوزة، مع بضع حالات فقط يُخلط فيها بين حالة غير مستقرة ومستقرة أو العكس. والأهم أن المؤلفين لا يتعاملون مع هذا النموذج كصندوق أسود غامض. يطبقون عدة تقنيات للذكاء الاصطناعي القابل للتفسير تُظهر الميزات التي يعتمد عليها النموذج وكيف يدفع تغيير كل ميزة التنبؤ صوب الاستقرار أو عدمه. تكشف التحليلات أن مزيجًا من تأخير الاستجابة وقوة التصحيح يقود غالبية القرارات، بما يتماشى جيدًا مع الحدس الهندسي الراسخ: الشبكات التي تستجيب بسرعة وبحزم للاضطرابات أكثر عرضة للبقاء مستقرة.

ماذا يعني هذا لأنظمة الطاقة المستقبلية

لغير المتخصصين، الخلاصة الأساسية هي أن التعلم الآلي، عند دمجه مع معرفة المجال وأدوات الشفافية، يمكن أن يوفر لمشغلي الشبكات أداة إنذار مبكّر موثوقة للغاية. من خلال تحويل البيانات الخام عن التوقيت والمرونة إلى صورة دقيقة لصحة الشبكة، تخفض المقاربة الواردة في هذه الورقة أخطاء التنبؤ إلى جزء ضئيل من الحالات مع الاحتفاظ بإمكانية التفسير. ومع ازدياد تعقيد الشبكات الواقعية واندماج مزيد من الطاقة المتجددة، قد تصبح مثل هذه المراقبات القابلة للثقة والمعتمدة على البيانات جزءًا أساسيًا من الحفاظ على مرونة وكفاءة نظام الكهرباء واستعداده لمستقبل منخفض الكربون.

الاستشهاد: Ali, A.M., Dawoud, O.K., Ghoneim, O.A. et al. Machine learning models for smart grid stability prediction: a comparative analysis. Sci Rep 16, 12694 (2026). https://doi.org/10.1038/s41598-026-47385-x

الكلمات المفتاحية: استقرار الشبكة الذكية, التعلم الآلي, الطاقة المتجددة, مراقبة نظام الطاقة, الذكاء الاصطناعي القابل للتفسير