אופטימיזציה אדפטיבית רב‑מטרית לניהול אנרגיה במיקרוגריד באמצעות למידה עמוקה בהדרכה תוך התחשבות בדגרדציית הסוללה ובאי־ודאות במקורות מתחדשים

חשמל מקומי חכם יותר לחיי היומיום

ככל שיותר בתים, קמפוסים ועסקים מתקינים פאנלים סולריים וסוללות, ניהול מתי לקנות, לאחסן או להשתמש בחשמל הופך למעין משחק פיצול גבוה. אם עושים זאת נכון — חוסכים בחשבונות ומפחיתים זיהום; אם עושים זאת רע — מבזבזים אנרגיה נקייה ומבזבזים סוללות יקרות. המחקר הזה בוחן כיצד צורה של אינטליגנציה מלאכותית הנקראת למידה עמוקה בהדרכה יכולה לשמש כ"מפעיל דיגיטלי" עבור מיקרוגריד שמש‑וסוללה, וללמוד יום‑יום כיצד לשמור על עלויות נמוכות, להגדיל את השימוש באנרגיה מתחדשת ולהגן על הסוללה מבלאי מוקדם — גם כאשר תחזית מזג האוויר שגויה.

מדוע רשתות חשמל קטנות חשובות

מיקרוגרידים הם מערכות כוח קומפקטיות שמחברות יחד פאנלים סולאריים, אחסון בסוללה, מכשירים בשליטה וגיבוי לחיבור לרשת הגדולה. הם יכולים להזין קמפוס או שכונה, ולשמור על עומסי מפתח פועלים כאשר הרשת הראשית_under_לחץ. אך הם קשים לתפעול: קרינת השמש וביקוש משתנים מדקה לדקה, מחירי החשמל משתנים לאורך היום, וכל מחזור טעינה–פריקה מחליש לאט את הסוללה. שיטות בקרה מסורתיות מסתמכות על אופטימיזציה מתמטית ותחזיות מדויקות, אשר לעיתים נופלות כאשר התנאים חורגים מהצפוי או כאשר המערכת הופכת למורכבת מדי.

בקר לומד שמתאמן על ניסיון

החוקרים בנו יופ דיגיטלי מפורט של מיקרוגריד בקנה‑מידה קמפוס במערב סעודיה, שכלל 300 קילוואט של פאנלים סולאריים, סוללת ליתיום‑יון גדולה, עומסים גמישים ולא גמישים וקישור דו‑כיווני לרשת הראשית. לאחר מכן הם אימנו סוכן למידה עמוקה בהדרכה — באופן ספציפי, רשת Deep Q‑Network מתקדמת — לתפעל את המערכת הוירטואלית בצעדים של 15 דקות לאורך שנים מדומות רבות. הסוכן צפה ברמת טעינת הסוללה, בתחזיות קצרות טווח לסולר ולביקוש, במחירי החשמל ובטמפרטורה, ובחר פעולות כגון מהירות הטעינה או הפריקה של הסוללה והאם להפעיל עומסים ניתנים להזזה. לאחר כל צעד הוא קיבל משוב (reward) ששילב שלושה מטרות: לשלם פחות על חשמל, להאט בלאי הסוללה ולהתבסס פחות על רשת ממונעת דלקים פוסיליים.

איזון בין עלות, בריאות הסוללה ואנרגיה נקייה

כדי לשקף את הפשרות שבשטח, הצוות שילב מודל בלאי סוללה מבוסס פיזיקה ישירות באות הלמידה. פונקציית התגמול הענישה הן עלויות קצרות טווח והן אובדן קיבולת ארוך טווח, והיא הגבילה בחומרה חריגות של מגבלות בטיחות כמו טעינה־מופרזת או פריקה־מופרזת של הסוללה. בכ־10,000 ימים מדומים של אימון הסוכן גילה אסטרטגיות שאנשים ממליצים עליהן לעתים קרובות — אך אותן לא לימדו אותו במפורש. הוא למד להעדיף מחזורי טעינה בעומק בינוני רבים במקום מעטים ועמוקים, לשמור את הסוללה במצב טעינה בינוני שבו ההזדקנות איטית יותר, ולהשאיר מקום בסוללה לפני שעות שמש כדי שאנרגיית השמש הקרבה תאוחסן ולא תבוזבז.

מתחרה בבקר חכם קונבנציונלי

הבקר המבוסס הלמידה נבדק ישירות מול בנצ'מרק חזק הידוע בשם בקרה ניבויית מודלית (model predictive control), שנמצא בשימוש נרחב בתעשייה ומניח גישה לתחזיות טובות. על פני שנה מלאה של נתוני מזג אוויר וביקוש, המדיניות שנלמדה צמצמה את עלויות התפעול הכוללות בכ־12 אחוזים, הקטינה את אובדן הקיבולת של הסוללה ביותר מ‑8 אחוזים והגבירה את השימוש באנרגיה סולארית שנוצרה מקומית בכ־10 אחוזים. היא גם קיצוצה את צריכת השיא מהרשת וקיזזה פליטות פחמן נלוות בכמעט 14 אחוזים. אולי המשמעותי ביותר — לאחר האימון, הבקר ה‑AI קיבל החלטות בתוך אלפי השניות השבריריות של שנייה (מספר אלפי אחוזים של שנייה?)— מה שמהיר בהרבה מהאופטימיזציה שנמשכת שניות הנדרשת בשיטה הקונבנציונלית — מה שהופך אותו מתאים לחומרה זולה באתר.

עמידות כאשר התחזית שגויה

מיקרוגרידים אמיתיים חייבים להתמודד עם הפתעות מעוננות ותחזיות בלתי מושלמות. החוקרים בחנו את שני הבקרים תחת שגיאות תחזית סולארית שהולכות ומתדרדרות. ככל ששגיאות התחזית שנוי חמורו, עלויות הבקר המסורתי עלו ביותר חמישית, בעוד שעלויות הבקר המבוסס‑למידה עלו בפחות מעשירית. הסוכן ה‑AI גם טיפל בתנודות מהירות באור השמש באופן רגיש יותר, והשתמש בסוללה כדי להחליק את זרמי הכוח מבלי לפנות לפריקות עמוקות שמזיקות. הוא תזמן עומסים גמישים כך שיתאימו לייצור סולארי ולשעות בעלות מחיר נמוך, מה שהקל עוד על העומס על הרשת.

מה זה אומר למערכות כוח עתידיות

במילים פשוטות, המחקר מראה שסוכן AI מאומן יכול לנהל מערכת שמש‑וסוללה כמו מפעיל ערמומי שהדואג לחשבון של היום, לבריאות הסוללה של המחר ולהשפעה האקלימית של כל קוט״ש. על‑ידי למידה ישירה מהנתונים במקום הסתמכות על תחזיות מושלמות ונוסחאות מפושטות, הבקר מספק חשמל זול ונקי יותר תוך הארכת חיי הסוללות היקרות. למרות שהעבודה בוצעה בסימולציה עבור מיקרוגריד קמפוס בסעודיה, אותו גישה ניתנת להתאמה לאתרים אחרים ולהרחבה לרשתות של מיקרוגרידים, ומציעה נתיב מבטיח לעבר מערכות אנרגיה מקומיות חסונות, יעילות ובנות־קיימא יותר.

ציטוט: Altimania, M.R.M., Basem, A., Saydullaev, B. et al. Adaptive multi-objective optimization of microgrid energy management using deep reinforcement learning considering battery degradation and renewable uncertainty. Sci Rep 16, 14296 (2026). https://doi.org/10.1038/s41598-026-44179-z

מילות מפתח: מיקרוגרידים, למידה עמוקה בהדרכה, בריאות סוללה, אנרגיה מתחדשת, ניהול אנרגיה