التعلُّم الهرمي التكيفي لتخطيط موارد الطاقة الموزعة مع أخذ عدم اليقين في الاعتبار

طاقة محلية أذكى لعالم يتغير

مع توصيل المنازل والشركات والمركبات الكهربائية لمزيد من ألواح الطاقة الشمسية على الأسطح والبطاريات وأجهزة الطاقة المحلية الأخرى، تصبح شبكة الحي أكثر تعقيدًا. يجب على شركات المرافق والمالكين الخاصين تحديد أماكن وضع هذه الموارد وحجمها، رغم أنه لا يمكن لأحد التنبؤ بدقة بضوء الشمس المستقبلي، أو الطلب على الكهرباء، أو التفاصيل الداخلية لشبكة الكهرباء. تقدم هذه الدراسة نهجًا جديدًا قائمًا على الذكاء الاصطناعي للتخطيط يتعلم من بيانات العالم الحقيقي بدلاً من الاعتماد على نماذج رياضية جامدة، ووعدًا بخفض التكاليف وتحسين موثوقية الطاقة النظيفة للمستهلكين العاديين.

تحدي تخمين الشبكة المستقبلية

تستضيف شبكات التوزيع الحديثة العديد من أنواع موارد الطاقة الموزعة، بما في ذلك مزارع شمسية وتخزين بالبطاريات وتوربينات غاز صغيرة وأجهزة تضبط الجهد بدقة. تنتشر هذه الأصول عبر مواقع متعددة وتتأثر بالطقس وسلوك البشر وقوى السوق، مما يخلق طبقات متعددة من عدم اليقين. تحاول أدوات التخطيط التقليدية التعامل مع ذلك عبر بناء نماذج مفصلة للشبكة ثم محاكاة مجموعة محدودة من سيناريوهات «ماذا لو»، مثل عدة أيام نموذجية من الطلب العالي أو المنخفض. لكن المشغلين من الطرف الثالث، مثل مالكي الأنظمة الشمسية أو البطاريات والمصانع الافتراضية للطاقة، غالبًا لا يعرفون التكوين الكامل للشبكة أو حدود الأمان الخاصة بها بسبب حواجز الخصوصية والتنظيم. نتيجة لذلك، يجب عليهم اتخاذ قرارات استثمارية وتشغيلية طويلة اليومية دون صورة كاملة، وتواجه الطرق القائمة على السيناريو صعوبة في الحفاظ على الموثوقية والتكلفة المقبولة في هذا السياق ذو المعلومات المحدودة.

عقل تعلُّم ثنائي المستويات للشبكة

يقترح المؤلفون إطار تعلُّم هرمي تكيفي يعامل تخطيط الشبكة كلعبة ثنائية المستويات بين الاستثمار طويل الأجل والتشغيل قصير الأجل. في المستوى العلوي، يختار مشغل نظام التوزيع أماكن وضع الموارد المختلفة وحجمها. في المستوى الأدنى، يقرر مالكو هذه الموارد كيفية تشغيلها في الوقت الحقيقي لتلبية طلب الكهرباء مع احترام حدود الشبكة المخفية مثل نطاقات الجهد الآمنة. بدلًا من حل معادلات رياضية ضخمة، يستخدم المستوى العلوي بحث الشجرة مونتي كارلو، وهي طريقة تستكشف العديد من تركيبات الاستثمار المحتملة وتضيق تدريجيًا نطاقها إلى أكثرها واعدة. يستخدم المستوى الأدنى التعلُّم التعزيزي العميق متعدد الوكلاء، حيث يتعلم «وكلاء» افتراضيون يتحكمون في البطاريات والتوربينات والعتاد الخاص بالجهد قواعد تشغيل جيدة مباشرة من البيانات واستجابات الشبكة. معًا، يشكل هذان المستويان حلقة مغلقة: قرارات التخطيط تشكل ظروف التشغيل، ونتائج التشغيل تعود لتغذي خططًا مستقبلية أفضل.

التعلُّم من عدم اليقين بدلاً من الخوف منه

بالتصميم، لا يتطلب الإطار الجديد معرفة كاملة بنموذج الشبكة أو سيناريوهات محددة سلفًا. يرى وكلاء التشغيل قياسات محلية ومعلومات محدودة فقط، تمامًا كما يفعل المشغلون في العالم الواقعي. على مدى أيام محاكاة متعددة، يتفاعلون مع الشبكة، يجربون إجراءات مختلفة، ويتلقون مكافآت بناءً على التكاليف وجودة الخدمة. تُعلّمهم هذه العملية التجريبية مدى الطاقة الشمسية الممكن قبولها، ومتى يجب شحن البطاريات أو تفريغها، وكيفية ضبط أجهزة الدعم للحفاظ على الجهود ضمن حدود آمنة. وفي الوقت نفسه، يختبر مستوى التخطيط العديد من خيارات الاستثمار باستخدام سلوكيات التشغيل المتعلمة كمرشد، مفضلًا تدريجيًا تركيبات من أنواع الأجهزة والمواقع والسعات التي تؤدي إلى تكاليف إجمالية منخفضة وتشغيل مستقر. فعليًا، يكتشف النظام هوامش الأمان المخفية في الشبكة وأفضل طرق استخدام الموارد المحلية، دون أن يُسلَّم إليه مخطط هندسي كامل.

أداء أفضل على شبكات اليوم والغد

اختبر الباحثون نهجهم على شبكتين للتوزيع: معيار قياسي مكون من 33 عقدة ونظام أكبر وواقعي مكون من 152 عقدة. في كلتا الحالتين، خفّضت الطريقة القائمة على التعلُّم الإنفاق على الاستثمار بشكل كبير مقارنةً بتقنيات التحسين التقليدية، بينما قلّلت أيضًا من مرات تقليص الخدمة عن العملاء أو محطات الطاقة الشمسية. حافظت على الجهود أقرب بكثير إلى النطاق المرغوب، مع انتهاكات أقل بكثير لحدود الأمان، حتى عندما اختلفت ظروف الاختبار عن البيانات المستخدمة في التدريب. والأهم من ذلك، أنه بمجرد انتهاء التدريب، استطاع النظام توليد قرارات تخطيط وتشغيل جديدة في نحو ساعة تقريبًا، مما يجعله عمليًا لإعادة التخطيط في العالم الواقعي بعد أحداث مثل العواصف أو النمو السريع لشحن المركبات الكهربائية.

ما الذي يعنيه هذا لمستخدمي الطاقة اليوميّين

من منظور القارئ العادي، يُظهر هذا العمل أنه يمكن تخطيط الشبكة المحلية بطريقة تشبه كيانًا متعلّمًا وتكيفيًّا أكثر من آلة ثابتة. بدلاً من المراهنة على مجموعة صغيرة من المستقبلات المتوقعة، يمكن لشركات المرافق وشركات خدمات الطاقة السماح للخوارزميات بأن تتعلّم باستمرار من الطلب الفعلي وإنتاج المتجددة، حتى عندما تكون بعض تفاصيل الشبكة مخفية. النتيجة هي وضع وتشغيل أذكى للألواح الشمسية والبطاريات والأجهزة الأخرى يحافظ على استمرار الإضاءة، ويقلل الإنفاق غير الضروري، ويستفيد أفضل من الطاقة النظيفة. مع مرور الوقت، قد يساعد التخطيط القائم على التعلُّم مثل هذا الأحياء على دمج المزيد من الطاقات المتجددة والمركبات الكهربائية دون بناء مفرط مكلف أو المساس بالموثوقية.

الاستشهاد: Xiang, Y., Li, L., Lu, Y. et al. Adaptive hierarchical learning for uncertainty-aware distributed energy resource planning. Commun Eng 5, 40 (2026). https://doi.org/10.1038/s44172-026-00591-x

الكلمات المفتاحية: موارد الطاقة الموزعة, شبكة توزيع الكهرباء, التعلُّم التعزيزي, تخطيط الطاقة, دمج الطاقات المتجددة