⚡ electrical engineering

Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning

تُظهر هذه الدراسة أن نماذج تعلم الآلة يمكنها التنبؤ بدقة باحتمالية مرور الخطأ في شبكات الطاقة التي تهيمن عليها العواكس باستخدام مجموعة بيانات اصطناعية، وتعميم هذه التنبؤات بنجاح على نظام الاختبار IEEE-96، مما يوفر بديلاً فعالاً من الناحية الحسابية للمحاكاة الديناميكية التقليدية لتقييم المخاطر.

المؤلفون الأصليون: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

نُشر 2026-05-06

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Christian Nauck, Anna Büttner, Sebastian Liemann, Frank Hellmann, Michael Lindner

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل الشبكة الكهربائية كأنها ساحة رقص واسعة ومعقدة، حيث تتدفق الكهرباء بين شركاء متنوعين. في الماضي، كان يقود هذه الرقصة آلات دوارة ثقيلة (محطات الطاقة التقليدية) تعمل مثل قسم إيقاعي صلب، يحافظ على تماسك الجميع في الخطوات. ولكن اليوم، نحن نستبدل هذه الآلات الثقيلة بألواح شمسية وتوربينات رياح. هؤلاء الشركاء الجدد أخف وزناً وأكثر مرونة، لكنهم يفتقرون إلى نفس "القصور الذاتي" الثقيل الذي يحافظ على استقرار الرقصة إذا تعثر أحدهم.

هذا المقال يدور حول معرفة مدى احتمالية بقاء ساحة الرقص الجديدة هذه -المعتمدة بكثافة على العواكس (inverters)- واقفة على قدميها إذا سقط كرسي بالخطأ (خلل أو "fault") ثم أُزيل بسرعة.

إليك تفصيل البحث باستخدام تشبيهات بسيطة:

1. المشكلة: الكثير من السيناريوهات لفحصها

تخيل أنك مدرب رقص تحاول التنبؤ بما إذا كانت مجموعة معينة من الراقصين سيحافظون على توازنهم إذا تم ركل كرسي من تحت أقدامهم.

الطريقة القديمة: يمكنك محاكاة كل طريقة ممكنة يمكن بها ركل الكرسي، ومدى قوة الدفعة، وأين يقف الراقصون. ولكن مع وجود آلاف الراقصين وملايين السيناريوهات الممكنة، يستغرق هذا وقتاً طويلاً وقدرة حوسبية هائلة لدرجة أنك قد لا تستطيع فحص سوى عدد ضئيل جداً منها. قد تفوتك تلك الحالة الخطيرة الواحدة التي تسبب سقوط المجموعة بأكملها.
الفكرة الجديدة: أراد المؤلفون استخدام تعلم الآلة (ML) – تخيل ذلك كطالب ذكي جداً يشاهد آلاف عمليات المحاكاة ويتعلم "قواعد التوازن" دون الحاجة إلى تشغيل كل عملية محاكاة مرة أخرى.

2. الحل: تدريب "طالب خارق"

لتدريس هذا الطالب، كان على الباحثين إنشاء مكتبة ضخمة من سيناريوهات التدريب.

ساحات رقص اصطناعية: بدلاً من فحص شبكة طاقة حقيقية واحدة لمدينة ما، قاموا ببناء 1,000 شبكة طاقة "وهمية" مختلفة على الكمبيوتر. اختلفت هذه الشبكات في الحجم والهيكل، تماماً مثل المدن الحقيقية.
الاختبار: لكل عقدة (نقطة اتصال في الشبكة)، قاموا بمحاكاة "خلل" (مثل انخفاض مفاجئ في الجهد) ثم راقبوا ما حدث. قاموا بحساب "احتمالية بقاء الخلل" (fault survival probability).
- تشبيه: تخيل درجة من 0 إلى 1. الدرجة 1 تعني أن الراقص دائماً يحافظ على توازنه، بغض النظر عن كيفية ركل الكرسي. الدرجة 0 تعني أنهم دائماً يسقطون. الدرجة 0.5 تعني أنهم يحافظون على توازنهم نصف الوقت.

3. المكون السري: الخريطة هي الأهم

اكتشف الباحثون شيئاً حاسماً: لا يمكنك النظر إلى الراقص فحسب؛ بل يجب عليك النظر إلى ساحة الرقص بأكملها.

المحلي مقابل العالمي: بعض الطرق تنظر فقط إلى الراقص الذي تعرض للدفعة (الميزات المحلية). لكن المقال يوضح أن سقوط الراقص غالباً ما يعتمد على من هم جيرانه وكيفية اتصال الأرضية (التوبولوجيا/الهيكل).
الأداة: استخدموا نوعاً خاصاً من الذكاء الاصطناعي، وهو الشبكة العصبية الرسومية (GNN).
- تشبيه: إذا كان الذكاء الاصطناعي العادي يشبه معلماً ينظر إلى الطلاب فرداً فرداً، فإن الـ GNN يشبه معلماً يمكنه رؤية الفصل الدراسي بأكره، والمكاتب، وكيف يجلس الطلاب بجانب بعضهم البعض، في آن واحد. سمح هذا للذكاء الاصطناعي بفهم أن "دفعة" في أحد الأركان يمكن أن تؤدي إلى رد فعل متسلسل في ركن آخر.

4. النتائج: الطالب اجتاز الاختبار

قام الباحثون بتدريب ذكائهم الاصطناعي باستخدام 1,000 شبكة وهمية، ثم اختبروه على شبكة اختبار حقيقية مختلفة تماماً (نظام IEEE-96) لم يرها الذكاء الاصطناعي من قبل.

النتيجة: كان الذكاء الاصطناعي جيداً بشكل مدهش في التنبؤ بدرجات الاستقرار.
نجاح "التعميم": على الرغم من أن شبكة الاختبار كانت مختلفة عن شبكات التدريب، إلا أن الذكاء الاصطناعي لا يزال يتعرف على قواعد الاستقرار. هذا يشبه تعليم طالب على أرضية جمباز تدريبية، ثم نجاحه في التنبؤ بأداء لاعب جمباز على مسرح أولمبي حقيقي ومختلف تماماً.
الفائز: الذكاء الاصطناعي الذي نظر إلى "الخريطة" بأكملها (GNN) كان أداؤه أفضل من الذكاء الاصطناعي الذي نظر فقط إلى النقاط الفردية.

5. لماذا هذا مهم؟

يخلص المقال إلى أننا لم نعد بحاجة إلى إجراء عمليات محاكاة مكلفة وبطيئة لكل سيناريو محتمل.

الميزة: بمجرد تدريب الذكاء الاصطناعي، يمكنه التنبؤ باستقرار الشبكة فوراً. وهذا يساعد مشغلي الشبكة على تحديد "الحلقات الضعيفة" (المكونات المعرضة للفشل) بشكل أسرع بكثير.
الهدف: هذا يتيح تخطيطاً أفضل لشبكات الطاقة المستقبلية ويضمن بقاء الأضواء تعمل حتى عندما يحدث خطأ ما أثناء انتقالنا إلى الطاقة المتجددة بنسبة 100%.

باختصار: يوضح المقال أنه من خلال تدريب ذكاء اصطناعي ذكي على آلاف شبكات الطاقة الوهمية، يمكننا التنبؤ بسرعة ودقة بكيفية تعامل شبكات الطاقة الحقيقية مع حالات الطوارئ، مما يوفر الوقت ويمنع انقطاع التيار الكهربائي.

ملخص تقني: التنبؤ باحتمالية تجاوز الأعطال في أنظمة الطاقة التي تهيمن عليها العواكس المكونة للشبكة باستخدام التعلم الآلي

بيان المشكلة

مع انتقال شبكات الطاقة نحو مصادر الطاقة المتجددة بنسبة 100%، تواجه هذه الشبكات تحديات استقرار كبيرة تتميز بانخفاض القصور الذاتي، وتوليد الطاقة اللامركزي، والإنتاج المتقلب. تعتمد هذه الأنظمة بشكل كبير على العواكس الإلكترونية القدرية، مما يستلزم التحول من التوليد التزامني التقليدي إلى العواكس المكونة للشبكة (Grid-forming inverters). ويعد التقييم الشامل للمخاطر الذي يغطي نطاقاً واسعاً من سيناريوهات الأعطاء تحدياً حرجاً في تشغيل وتخطيط هذه الشبكات المستقبلية.

بينما تعد المحاكاة الديناميكية التقليدية دقيقة، إلا أنها مكلفة حاسوبياً. وتتزايد تكاليف تحليل الاستقرار الاحتمالي على الأقل بشكل تربيعي مع عدد العقد، مما يجعل من المستحيل تحليل جميع التكوينات ذات الصلة للشبكات واسعة النطاق في الواقع. وبناءً على ذلك، غالباً ما يعتمد مشغلو الشبكات على افتراضات متحفظة أو يحللون مجموعة محدودة فقط من سيناريوهات الأعطال، مما قد يؤدي إلى إغفال أنماط الفشل الحرجة. تعالج هذه المساهمة الحاجة إلى طرق فعالة للتنبؤ بـ احتمالية تجاوز العطل ( $p_{frt}$ ) – وهي احتمالية بقاء مكون الشبكة ضمن خصائص تجاوز العطل المحددة بعد معالجة العطل – دون تكبد التكاليف الباهظة للمحاكاة الديناميكية الشاملة.

المنهجية

1. توليد مجموعة البيانات

للتغلب على نقص بيانات التدريب الخاصة بالاستقرار الديناميكي، قام المؤلفون بتوليد مجموعة بيانات جديدة لشبكات طاقة اصطناعية واسعة النطاق:

طوبولوجيا الشبكة: تم توليد 1,000 شبكة طاقة اصطناعية باستخدام خوارزمية نمو عشوائي، تراوحت أحجامها بين 70 إلى 80 عقدة. وقد اختير هذا الحجم لالتقاط التأثيرات الطوبولوجية مع بقائها قابلة للإدارة حاسوبياً.
نمذجة المكونات: تنمذج الشبكات تكاملاً لمصادر الطاقة المتجددة بنسبة 100%.
- العواكس المكونة للشبكة (Grid-Forming Inverters): تم نمذجتها باستخدام "الشكل الطبيعي" (Normal Form) (وهو نموذج ديناميكي مستقل عن التكنولوجيا) مع ثلاث مجموعات مختلفة من المعلمات (NF1, NF2, NF3)، والتي تمثل مستويات مختلفة من القصور الذاتي الافتراضي.
- العواكس التابعة للشبكة (Grid-Following Inverters): تم نمذجتها كعقد PQ.
- خطوط النقل: تم نمذجتها باستخدام نماذج Pi، بمعلمات تعتمد على نظام نقل 380 كيلوفولت الألماني (معايير dena).
محاكاة العطل: لكل عقدة في كل شبكة، تم توليد 1,000 حالة ما بعد معالجة العطل باستخدام تسلسلات Sobol (أخذ عينات Quasi-Monte Carlo) وخوارزمية قوة محيطة لضمان استيفاء القيود الجبرية.
حساب الهدف: أُجريت عمليات محاكاة ديناميكية لتحديد ما إذا كانت العواب transient في النظام بقيت ضمن خصائص تجاوز الجهد والتردد المحددة. تم حساب المتغير المستهدف $p_{frt}$ كنسبة عمليات تجاوز العطل الناجحة إلى إجمالي الحالات المفحوصة لكل عقدة.
مجموعة التحقق: تم استخدام نظام اختبار IEEE-96-RTS محدث، تم تعديله ليشمل قدرات تكوين الشبكة ومعلمات الخطوط المحدثة، كمجموعة اختبار محجوزة لتقييم القدرة على التعميم.

2. نهج التعلم الآلي

تقارن الدراسة بين فئتين من نماذج التعلم الآلي (ML) للتنبؤ بـ $p_{frt}$ :

أساليب التعلم الآلي غير الرسومية: الطرق التي تعتمد فقط على ميزات العقدة (مثل القدرة الفعالة وغير الفعالة، معلمات الخط المحلية، نوع العقدة) دون النظر في طوبولوجيا الشبكة العالمية. شملت النماذج المختبرة الانحدار الخطي (linreg) والأشجار المعززة بالتدرج (GBT).
الشبكات العصبية الرسومية (GNNs): النماذج التي تعالج هيكل الرسم البياني الكامل (ميزات العقدة، ميزات الخط، والطوبولوجيا). وتحديداً، استخدم المؤلفون طبقات التلافيف للشبكة الرسومية التكيفية الطوبولوجية (Topological Adaptive Graph - TAG)، والتي تجمع المعلومات من جيران أكبر مما تفعله الشبكات التلافيفية الرسومية (GCNs) القياسية.

3. التدريب والتقييم

الميزات: شملت الميزات المدخلة نقاط ضبط القدرة للعقد، ومجموع موصلية وسعة الخطوط، فئات العقد (Slack, Load, grid-forming)، والجزء الحقيقي من معلمة الشكل الطبيعي $R(B_x)$ .
المقاييس: تم تقييم الأداء باستخدام معامل التحديد ( $R^2$ ) ومعامل ارتباط سبيرمان ( $\rho$ ).
التنظيم (Regularization): لمعالجة الإفراط في التخصيص (overfitting) وتحسين التعميم، تم اختبار نسخة منظمة من نموذج TAG (وهي TAGreg) باستخدام تقنية الإسقاط (dropout).

النتائج الرئيسية

1. الديناميكيات والطوبولوجيا

كشف التحليل العددي للمحاكاة أن نتائج الاستقرار غير خطية للغاية. فالسيناريوهات ذات أحجام الأعطال المتشابهة (انحرافات القدرة $\Delta P, \Delta Q$ ) أدت إلى نتائج استقرار متباعدة. ومن الأهمية بمكان، أظهرت الدراسة أن $p_{frt}$ تتأثر بشدة بـ طوبولوجيا الشبكة، وليس فقط بالمعلمات المحلية للمكونات. فقد أظهرت العقد ذات معلمات الآلات المتطابقة احتمالات استقرار مختلفة بشكل كبير اعتماداً على موقعها داخل الشبكة.

2. أداء التعلم الآلي على الشبكات الاصطناعية

على مجموعة البيانات الاصطناعية، تفوق نموذج TAG القائم على GNN بشكل كبير على الأساليب غير الرسومية:

نموذج TAG: حقق معامل تحديد $R^2$ بنسبة 90.36% وارتباط سبيرمان ( $\rho$ ) بنسبة 95.05%.
النماذج غير الرسومية: حققت نماذج GBT والانحدار الخطي قيم $R^2$ تبلغ حوالي 62-63%.
وهذا يؤكد أن دمج المعلومات الطوبولوجية ضروري للتنبؤ الدقيق بالاستقرار الديناميكي في الشبكات التي تهيمن عليها العواكس المكونة للشبكة.

3. التعميم على نظام الاختبار IEEE

تم اختبار النماذج على نظام IEEE-96-RTS، والذي لم يكن جزءاً من بيانات التدريب وأظهر خصائص هيكلية مختلفة:

التعميم الأولي: أظهر نموذج TAG القياسي أداءً منخفضاً على حالة اختبار IEEE (حيث $R^2 \approx 60.46\%$ ) مقارنة بالبيانات الاصطناعية، مما يشير إلى صعوبات في التعامل مع تحولات التوزيع.
النموذج المنظم: حسن نموذج TAG المنظم (TAGreg) من القدرة على التعميم، حيث حقق $R^2$ بنسبة 77.47% و $\rho$ بنسبة 87.32% في حالة اختبار IEEE.
المقارنة: على الرغم من أن GBT كان أفضل قليلاً من نموذج TAG غير المنظم في حالة اختبار IEEE، إلا أن النموذج الرسومي المنظم (TAGreg) تفوق على GBT في كل من مجموعات البيانات الاصطناعية وIEEE. وهذا يشير إلى أن الشبكات الرسومية (GNNs) مع التنظيم المناسب يمكنها تعلم أنماط سببية مستقلة عن الطوبولوجيا وتعميمها.

الأهمية والادعاءات

تدعي المساهمة أن التعلم الآلي، ولا سيما الشبكات العصبية الرسومية، يوفر مساراً قابلاً للتطبيق للتغلب على الاختناقات الحسابية لتحليل الاستقرار الديناميكي الاحتمالي في شبكات الطاقة المستقبلية.

الكفاءة: يمكن لنماذج التعلم الآلي التنبؤ باحتمالات تجاوز العطل بدقة عالية في زمن شبه فوري، مما يسمح بتحليل آلاف التكوينات التي قد تكون غير قابلة للتنفيذ باستخدام المحاكاة الديناميكية.
التعميم: إن قدرة نماذج GNN المدربة على بيانات اصطناعية على التعميم لتشمل حالة اختبار واقعية (IEEE 96-RTS) تشير إلى إمكانية نشر هذه النماذج لاستقصاء الاستقرار الاحتمالي في شبكات طاقة فعلية دون الحاجة إلى محاكاة شاملة لكل تكوين جديد.
الأثر التشغيلي: من خلال تحديد المكونات الحرجة المعرضة للفشل عبر نطاق واسع من السيناريوهات الاحتمالية، يمكن لهذه الأدوات مساعدة مشغلي الشبكات على الابتعاد عن التخطيط الساكن المتحفظ. وهذا يتيح الدمج المبكر للتأثيرات الديناميكية في تخطيط توسعة الشبكة، مما قد يتجنب إجراءات التعويض المكلفة ويحسن الموثوقية العامة للأنظمة التي تهيمن عليها العواكس.

يؤكد المؤلفون أنه على الرغم من استخدام البيانات الاصطناعية، فإن النجاح في التعميم على حالة اختبار IEEE يؤكد الإمكانات الواعدة لتطبيق هذه الأساليب على أنظمة طاقة بمقياس الشبكة حيث يكون تقييم الاستقرار الاحتمالي حالياً مستحيلاً من الناحية الحسابية.