⚡ electrical engineering

NEO-Grid: A Neural Approximation Framework for Optimization and Control in Distribution Grids

تقدم هذه الورقة NEO-Grid، وهو إطار عصبي موحد يستخدم بدائل شبكات ReLU لتدفق القدرة ونماذج التوازن العميق للتحكم في الحلقة المغلقة لتحقيق تنظيم جهد قابل للتوسع ودقيق في شبكات التوزيع ذات موارد الطاقة الموزعة.

المؤلفون الأصليون: Mohamad Chehade, Hao Zhu

نُشر 2026-05-08

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mohamad Chehade, Hao Zhu

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 التي تغذي حيك كأنها نظام مياه ضخم وحي. "المياه" هي الكهرباء، و"الأنابيب" هي خطوط الطاقة، و"الصنابير" هي منازلكم وأعمالكم.

في الماضي، كان هذا النظام بسيطاً: محطة طاقة كبيرة تدفع المياه للخارج، فتتدفق في اتجاه واحد نحو منزلك. ولكن اليوم، أضفنا آلاف "المرشات" و"المضخات" الصغيرة وغير المتوقعة في كل مكان—مثل الألواح الشمسية على الأسطح، والسيارات الكهربائية، وبطاريات المنازل. تُسمى هذه موارد الطاقة الموزعة (DERs).

ما المشكلة؟ عندما تعمل الكثير من هذه المضخات المحلية في وقت واحد أو تتوقف، يمكن أن يرتفع ضغط المياه (الجهد الكهربائي) في الأنابيب أو ينخفض بشكل كبير. وإذا كان الضغط غير صحيح، فقد تتعرض أجهزتكم الإلكترونية للتلف، أو قد تومض الأضواء وتخفت.

يقدم هذا البحث "عقلاً ذكياً" جديداً يسمى NEO-Grid لإصلاح مشا المشكلات المتعلقة بالضغط. إليكم كيف يعمل، باستخدام تشبيهات بسيطة:

1. الطريقة القديمة: الخريطة الخشنة

تقليدياً، حاول المهندسون إدارة هذا الضغط باستخدام خريطة خطية. تخيل أنك تحاول التنقل في طريق جبلي متعرج ومنحدر باستخدام خريطة مسطحة ومستقيمة. من السهل الحساب على الخريطة المسطحة، لكنها خاطئة؛ فهي تتجاهل المنحنيات والمنحدرات الشديدة.

العيب: عندما تصبح الشبكة مزدحمة (حركة مرور كثيفة) أو تكون التضاريس صعبة (خطوط مقاومة)، تفشل هذه الخريطة المس ผطحة. لا يمكنها التنبؤ بتغيرات الضغط الحقيقية بدقة، مما يؤدي إلى قرارات سيئة.

2. الطريقة الجديدة: "المحاكي العصبي"

بنى المؤلفون NEO-Grid، والذي يعمل مثل توأم رقمي عالي الدقة ثلاثي الأبعاد لشبكة الطاقة في الحي.

كيف يتعلم: بدلاً من استخدام معادلة تقريبية، قاموا بتغذية الكمبيوتر بكمية هائلة من البيانات حول كيفية سلوك الشبكة تحت ظروف مختلفة. تعلم الكمبيوتر المنحنيات المعقدة والمتعرجة للعالم الحقيقي.
السحر: يستخدم "شبكة عصبية" (نوع من الذكاء الاصطناعي) تعمل مثل ورقة مطاطية مرنة. يمكنها التمدد والانحناء لتناسب الشكل غير الخطي الدقيق لشبكة الطاقة الحقيقية، مما يلتقط التفاصيل الدقيقة التي أغفلتها الخرائط المسطحة القديمة.

3. وظيفتان للعقل الذكي

يساعد NEO-Grid بطريقتين محددتين:

أ. المخطط المركزي (التحسين)
تخيل مراقب حركة مرور يمكنه رؤية المدينة بأكملها ويخبر كل سيارة بالضبط إلى أين تذهب لتجنب الازدحام.

ماذا يفعل: يحسب NEO-Grid الكمية المثالية من الطاقة التي يجب إرسالها أو امتصاصها من كل لوح شمسي وبطارية للحفاظ على الجهد مثالياً في كل مكان.
النتيجة: وجدوا أن هذا المخطط "العصبي" يحافظ على الجهد قريباً جداً من المستوى المثالي مقارداً بالمخططين "الخطيين" القديمين، مما يمنع الارتفاعات أو الانخفاضات الخطيرة.

ب. رد الفعل المحلي (التحكم)
تخيل سائقاً لا يستطيع رؤية المدينة بأكملها، ولكنه يمتلك رد فعل فائق السرعة. عندما يشعر باهتزاز السيارة، يقوم فوراً بتوجيه المقود لتصحيح المسار دون انتظار تعليمات من مكتب مركزي.

التحد_ي: في الأيام الخوالي، كان تعليم هؤلاء السائقين المحليين (المحولات/Inverters) كيفية الاستجابة بشكل صحيح أمراً صعباً لأن النظام عبارة عن حلقة: الجهد يغير فعل السائق، وفعل السائق يغير الجهد، وهكذا... إنه يشبه الثعبان الذي يأكل ذيله.
الابتكار: استخدم المؤلفون خدعة خاصة بالذكاء الاصطناعي تسمى نموذج التوازن العميق (DEQ). بدلاً من محاكاة الثعبان وهو يأكل ذيله خطوة بخطوة (وهو أمر بطيء ويستهلك الذاكرة)، يسأل نموذج DEQ الذكاء الاصطناعي: "إذا استقر النظام، فكيف سيبدو الشكل النهائي المستقر؟"
النتيجة: يتعلم الذكاء الاصطناعي "قاعدة رد الفعل" المثالية فوراً. فهو يعلم المحولات المحلية بالضبط كيفية التفاعل مع تغيرات الجهد للحفاظ على استقرار النظام، ويفعل ذلك بشكل أسرع وأكثر دقة بكثير من الطرق السابقة.

الخلاصة

اختبر الباحثون هذا على نموذج قياسي لشبكة حي (IEEE 33-bus system).

الدقة: تنبأت "الخريطة العصبية" الجديدة بتغيرات الجهد بشكل أفضل بـ 100 مرة من الطرق الخطية القديمة.
الأداء: عند استخدامه للتحكم في الشبكة، حافظ على استقرار الجهد بشكل أكبر بكثير، مع عدد أقل بكثير من "الانتهاكات" (المرات التي أصبح فيها الضغط مرتفعاً جداً أو منخفضاً جداً) مقارنة بالطرق القياسية.

باختختصار، يستبدل NEO-Grid التفكير القديم الخشن والمستقيم بعقل مرن وقابل للتعلم يفهم التعقيدات الفوضوية لشبكات الطاقة الحديثة، مما يحافظ على بقاء الأنوار مضاءة واستقرار الجهد.

ملخص تقني: NEO-Grid

بيان المشكلة
إن انتشار موارد الطاقة الموزعة (DERs)، مثل الأنظمة الكهروضوئية الشمسية وتخزين البطاريات، يعمل على تحويل شبكات التوزيع، مما يؤدي إلى إدخال تباين وعدم تجانس كبيرين يتحديان استقرار الجهد. تتطلب الإدارة الفعالة نمذجة دقيقة للعلاقة غير الخطية بين حقن القدرة ومقادير الجهد (نموذج تدفق القدرة أو PF). تعتمد الأساليب التقليدية على تقريبات خطية (مثل LinDistFlow)، والتي غالباً ما تفشل في التقاط العلاقات غير الخطية الحرجة تحت الأحمال الثقيلة أو في المغذيات ذات المقاومة العالية. علاوة على ذلك، بينما يسعى تحسين الجهد والقدرة غير الفعالة (VVO) إلى حلول مركزية، ويسعى التحكم في الجهد والقدرة غير الفعالة (VVC) إلى سياسات محلية مستقلة، فإن كليهما يعاني من التعقيد الحسابي لحل معادلات تدفق القدرة غير الخطية والطبيعة التكرارية ذات الحلقة المغلقة لديناميكيات VVC. تعاني الطرق الحالية لـ VVC، مثل الشبكات العصبية المتكررة (RNNs) غير الملفوفة، من أعباء الذاكرة ومشكلات تلاشي التدرج.

المنهجية
تقترح الورقة البحثية NEO-Grid، وهو إطار عمل موحد قائم على التعلم يستبدل التقريبات الخطية التقليدية بنماذج بديلة عصبية لكل من التحسين والتحكم.

1. البديل العصبي لتدفق القدرة (نموذج NEO-Grid):

يقوم المؤلفون ببناء شبكة عصبية (تحديداً شبكة ذات طبقة مخفية واحدة مع تنشيط ReLU) لتقريب خرائط تدفق القدرة المترددة غير الخطية $v = f(p, q)$ .
يتم تدريب هذا البديل على بيانات مستخرجة من محاكاة دقيقة لتدفق القدرة المتردد (AC-PF) تحت ظروف تشغيل متنوعة، بما في ذلك سيناريوهات تعويض القدرة غير الفعالة.
نظرًا لأن شبكات ReLU تنتج دالات خطية مجزأة (PWL)، يمكن دمج البديل في صيغ البرمجة الخطية المختلطة (MIL) أو البرمجة التربيعية الخطية المختلطة (MIQP)، مما يجعل الفيزياء غير الخطية قابلة للمعالجة باستخدام الحلول القياسية.

2. تحسين الجهد والقدرة غير الفعالة (VVO) عبر البرمجة الصحيحة المختلطة:

في عملية تحسين الجهد والقدرة غير الفعالة (VVO)، يحل البديل العصبي المدرب محل قيود تدفق القدرة غير الخطية في مسألة التحسين.
الهدف هو تقليل انحراف الجهد عن المستوى الاسمي 1.0 p.u. تسمح طبيعة الدالة الخطية المجزأة للشبكة بحل المسألة كبرنامج تربيعي خطي مختلط (MIQP) أو تبسيطها إلى برنامج خطي مختلط (MILP).

3. التحكم في الجهد والقدرة غير الفعالة (VVC) عبر نماذج التوازن العميق (DEQ):

بالنسبة للتحكم في الجهد والقدرة غير الفعالة (VVC)، يعالج المؤلفون تحدي تصميم قواعد تحكم محلية $q_i = g(v_i)$ تعمل في حلقة مغلقة.
بدلاً من فك (unrolling) ديناميكيات النظام عبر الزمن (كما في RNNs)، ينمذج NEO-Grid النظام كـ نموذج توازن عميق (DEQ).
يتم تمثيل قاعدة التحكم كدالة هيكلية قائمة على ReLU (تحاكي منحنيات الـ droop الخطية المجزأة في معيار IEEE 1547).
تُعرف حالة النظام كنقطة ثابتة $v^* = F_\phi(v^*)$ ، حيث تقوم $F_\phi$ بتركيب بديل تدفق القدرة العصبي وقاعدة VVC.
يستخدم التدريب التفاضل الضمني وخوارزميات البحث عن الجذور (مثل تسريع Anderson) لحساب التدرجات بالنسبة لمعاملات التحكم $\phi$ مباشرة عند نقطة التوازن. هذا يلغي الحاجة إلى تخزين مسارات طويلة، مما يقلل بشكل كبير من استخدام الذاكرة والتكلفة الحسابية.

المساهمات الرئيسية
تحدد الورقة ثلاث مساهمات رئيسية:

تصميم موحد لتدفق القدرة: بناء بديل عصبي واحد لتدفق القدرة يعمل كـ "محاكي عصبي" (neuro-simulator) قابل للتطبيق لكل من التحسين المركزي (VVO) والتحكم اللامركزي (VVC).
القدرة على التعميم: تم تصميم الإطار ليكون "محاكياً عصبياً شاملاً" قادراً على دعم مهام متنوعة، بما في ذلك دمج البيانات، والتحليل التنبؤي، وتطبيقات التوأم الرقمي ضمن أنظمة التوزيع.
تعلم VVC القائم على التوازن: دمج تمثيلات قواعد التحكم الخطية المجزأة مع بديل NEO-Grid، وتحسينها عبر التفاضل الضمني القائم على DEQ. يسمح هذا النهج بتحسين أداء التحكم في الحلقة المغلقة بكفاءة دون العبء الحسابي للهياكل المتكررة غير الملفوفة.

النتائج التجريبية
تم تقييم الإطار على نظام توزيع شعاعي من نوع IEEE 33-bus.

تقريب تدفق القدرة: حقق البديل العصبي لـ NEO-Grid متوسط خطأ تربيعي (MSE) قدره $1.81 \times 10^{-6}$ في مجموعة الاختبار. كان هذا أفضل بمقدار رتبة عشرية واحدة من الانحدار الخطي ( $3.16 \times 10^{-5}$ ) وأكثر دقة بأكثر من 100 مرة من نموذج LinDistFlow ( $1.95 \times 10^{-4}$ ).
أداء VVO: في مهام تنظيم الجهد، حقق التحسين القائم على NEO-Grid أدنى متوسط انحراف للجهد (0.94%) وأقل عدد من الانتهاكات الكبيرة (>3% انحراف) مقارنة بالنماذج المرجعية للانحدار الخطي وLinDistFlow.
أداء VVC: حقق متحكم NEO-Grid المدرب عبر DEQ متوسط انحراف جهد قدره 3.63%، متفوقاً على النماذج الخطية والأساليب الاستدلالية (heuristic). والأهم من ذلك، أنه قضى تماماً على حالات دخول الجهد التي تتجاوز فيها الانحرافات 7%، بينما لا تزال الأساليب الأخرى القائمة على التحسين تظهر انحرافات كبيرة.
المقارنة: بينما حقق VVO (المركزي) بطبيعته تنظيماً أفضل للجهد مقارنة بـ VVC (اللامركزي) بسبب المرونة الأكبر، أظهر نهج NEO-Grid لـ VVC قوة واتساقاً فائقين مقارنة بالأسالهم الخطية أو المعتمدة على RNN.

الأهمية والادعاءات
يزعم المؤلفون أن NEO-Grid يضع حلاً قابلاً للتوسع، ودقيقاً، وقابلاً للتفسير لتنظيم الجهد القائم على التعلم. من خلال سد الفجوة بين دقة الفيزياء غير الخطية والقدرة على المعالجة المطلوبة للتحسين والتحكم، يوفر الإطار بديلاً عملياً للتقريبات الخطية. إن استخدام نماذج DEQ يعالج تحديداً الاختناقات الحسابية لتصميم التحكم في الحلقة المغلقة، مما يسمح بتدريب فعال لسياسات الطبقة الواحدة دون عبء الذاكرة الناتج عن فك المسارات (trajectory unrolling). تضع الورقة NEO-Grid ليس فقط كخوارزمية تحكم، بل كـ "محاكي عصبي" تأسيسي يمكن توسيعه لاستخدامات التوأم الرقمي الأوسع، وتحليل الحساسية، ودراسات "ماذا لو" في شبكات التوزيع.

1. الطريقة القديمة: الخريطة الخشنة

2. الطريقة الجديدة: "المحاكي العصبي"

3. وظيفتان للعقل الذكي

الخلاصة

أبحاث مشابهة