⚡ electrical engineering

Coherent Load Profile Synthesis with Conditional Diffusion for LV Distribution Network Scenario Generation

تقترح هذه الورقة استخدام نماذج الانتشار الشرطية لتخليق ملفات تعريف أحمال القدرة الفعالة وغير الفعالة اليومية المتماسكة لمحطات التوزيع ذات الجهد المنخفض، مما يعالج الحاجة إلى سيناريوهات أحمال واقعية ومرتبطة مكانياً لتحسين تخطيط شبكات التوزيع وإدارة الازدحام.

المؤلفون الأصليون: Alistair Brash, Junyi Lu, Bruce Stephen, Blair Brown, Robert Atkinson, Craig Michie, Fraser MacIntyre, Christos Tachtatzis

نُشر 2026-02-11

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alistair Brash, Junyi Lu, Bruce Stephen, Blair Brown, Robert Atkinson, Craig Michie, Fraser MacIntyre, Christos Tachtatzis

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 أنك مخطط مدن تحاول تصميم شبكة كهرباء جديدة لحي سكني ضخم ومتنامٍ. وللقيام بذلك بشكل صحيح، تحتاج إلى معرفة مقدار الكهرباء التي سيستخدمها الجميع بدقة — متى سيشغلون غلايات الماء، ومتى سيشحنون سياراتهم الكهربائية، ومتى ستعمل مضخات الحرارة لديهم.

المشكلة؟ لا يمكنك وضع عداد ذكي في كل منزل في البلاد بأكملها؛ فهذا مكلف للغاية ويولد الكثير من البيانات لإدارتها. لذا، يتعين عليك "تخمين" شكل الطلب على الكهرباء.

تصف هذه الورقة البحثية طريقة تقنية متطورة جديدة للقيام بهذه التخمينات باستخدام الذكاء الاصطناعي.

المشكلة: فخ "المتوسط"

تقليديًا، استخدم المهندسون "ملفات أحمال نموذجية". فكر في الأمر كالتخطيط لحفلة عشاء ضخمة بافتراض أن كل ضيف سيصل في تمام الساعة 7:00 مساءً، وسيتناول بالضبط 500 سعرة حرارية، ويغادر في الساعة 9:00 مساءً.

في الواقع، البشر غير منتظمين. البعض يصل مبكرًا، والبعض يبقى متأخرًا، والبعض يتناول وجبات ضخمة بينما يكتفي آخرون بالوجبات الخفيفة. إذا خططت بناءً على الضيف "المتوسط"، فسينتهي بك الأمر بمطبخ صغير جدًا بالنسبة للزحام المفاجئ عند الساعة 7:00 مساءً، أو غرفة طعام تظل فارغة معظم الليل. في شبكة الطاقة، إذا خططت فقط لـ "الحمل المتوسط"، فقد تواجه انقطاعات في التيار عندما يستخدم الجميع أجهزتهم في وقت واحد.

الحل: "المحاكي الرقمي" (نماذج الانتشار - Diffusion Models)

استخدم الباحثون نوعًا من الذكاء الاصطناعي يسمى نموذج الانتشار الشرطي (Conditional Diffusion Model).

فكر في هذا الذكاء الاصطناعي كأنه نحات ماهر يعمل على كتلة من الرخام.

الضجيج (الرخام): يبدأ الذكاء الاصطناعي بكتلة من "الضجيج" أو "التشويش" الصافي — مجرد بيانات عشوائية وفوضوية تشبه شاشة تلفاز لا تبث أي إشارة.
النحت (الانتشار): تم تدريب الذكاء الاصطناعي من خلال النظر في آلاف الأمثلة الواقعية لاستخدام الكهرباء. هو يعرف كيف يبدو "اليوم الحقيقي". يقوم ببطء بنحت ذلك الضجيج العشوائي، وتشكيله، وتدقيقه، شكلًا تلو الآخر، حتى يظهر "تمثال" جميل وواقعي لملف استهلاك يومي.
التعليمات (الجزء "الشرطي"): هذا هو السر الكامن وراء النجاح. بدلًا من مجرد صنع أي يوم عشوائي، يمكنك إعطاء النحات تعليمات: "اصنع يومًا يكون فيه الجو شديد البرودة، وهو يوم ثلاثاء في شهر ديسمبر، وهذا الحي يحتوي على 200 منزل". عندها، يقوم الذكاء الاصطناعي بنحت ملف استهلاك يتناسب خصيصًا مع تلك الظروف.

المستويات الثلاثة لـ "التخمين"

اختبر الباحثون ثلاث نسخ مختلفة من هذا "النحات":

المستوى 1 (النحات الأعمى): يصنع فقط أيامًا عشوائية تبدو واقعية. إنه جيد، لكنه ليس مفيدًا جدًا للتخطيط المحدد.
المستوى 2 (النحات المدرك للطقس): تخبره بحالة الطقس واليوم من الأسبوع. يصبح أفضل بكثير في مطابقة "روح" اليوم الحقيقي.
المستوى 3 (النحات فائق التفاصيل): تعطيه حالة الطنف بالإضافة إلى بعض الإحصائيات الأساسية (مثل أعلى وأدنى استهلاك للطاقة في ذلك اليوم). هذا النحات دقيق للغاية — يمكنه إعادة إنشاء "الحالات القصوى" (الارتفاعات الهائلة في الاستخدام) التي تعد الأكثر خطورة على الشبكة.

لماذا يهم هذا الأمر؟ (اختبار الإجهاد)

لإثبات نجاح عمله، لم يكتفوا بالنظر إلى "التماثيل" (البيانات) فحسب؛ بل وضعوها قيد العمل. أخذوا هذه الأيام "المزيفة" التي أنشأها الذكاء الاصطناعي ودمجوها في محاكاة رقمية لشبكة طاقة حقيقية.

أرادوا معرفة ما إذا كانت هذه الكهرباء "المزيفة" ستؤدي إلى "ارتفاع حرارة" الأسلاك الرقمية أو انخفاض "الجهد الكهربائي".

النتيجة؟ كان الذكاء الاصطناعي الأكثر تقدمًا (المستوى 3) جيدًا لدرجة أن شبكة الطاقة تصرفت تمامًا كما لو كانت تعمل ببيانات حقيقية مقاسة. لقد نجح في التنبؤ بـ "نقاط الإجهاد" حيث قد تعاني الشبكة.

الصورة الكبيرة

بينما ننتقل نحو عالم مليء بالسيارات الكهربائية ومضخات الحرارة، يصبح استخدام الكهرباء أكثر عدم استقرارًا. توفر هذه الورقة البحثية طريقة لشركات المرافق لـ "تخيل" سيناريوهات واقعية للغاية وعالية المخاطر. ومن خلال التدرب على عوالم "ماذا لو" التي أنشأها الذكاء الاصطناعي، يمكنهم بناء شبكة أقوى وأكثر موثوقية للعالم الحقيقي.

ملخص تقني: توليد ملفات أحمال متماسكة باستخدام الانتشار الشرطي لسيناريوهات شبكات التوزيع ذات الجهد المنخفض

1. بيان المشكلة

مع انتقال شبكات الطاقة نحو إزالة الكربون، تواجه شبكات التوزيع ذات الجهد المنخفض (LV) تعقيداً متزايداً بسبب دمج تقنيات منخفضة الكربون (LCTs) مثل المركبات الكهربائية والمضخات الحرارية. ويتمثل التحدي الحرج لمشغلي شبكات التوزيع (DNOs) ومشغلي أنظمة التوزيع (DSOs) في نقص القدرة على المراقبة عند مستوى الجهد المنخفض.

تعتمد الطرق التقليدية لنمذجة أحمال الجهد المنخفض، مثل ملفات الأحمال النموذجية (TLP)، على المتوسطات الموسمية التي تفشل في استيعاب درجة التنوع العالية والسلوك غير المستقر المتأصل في المحطات الفرعية الفردية. يؤدي هذا النقص في التنوع إلى خطرين رئيسيين في تخطيط الشبكة:

التقليل من تقدير القيم القصوى: الفشل في رصد ذروة الطلب (المخاطر الحرارية) أو عمق الانخفاض (مخاطر الجهد).
فقدان التماسك: عدم القدرة على نمذجة كيفية تأثير المحطات الفرعية التي تعمل بشكل مستقل على استقرار شبكة الجهد المتوسط (MV) الأعلى منها.

2. المنهجية

يقترح المؤلفون إطار عمل للذكاء الاصطنا التوليدي باستخدام نماذج الانتشار الشرطية (Conditional Diffusion Models) لتخليق ملفات القدرة الفعالة ( $P$ ) والقدرة غير الفعالة ( $Q$ ) اليومية لمحطات الجهد المنخفض الفرعية. وخلافاً للدراسات السابقة التي ركزت على العدادات الذكية، يستهدف هذا النهج مستوى المحطة الفرعية لالتقاط الأنماط السلوكية المجمعة.

أ. بنية النموذج:
تستخدم الدراسة بنية SSSDS4 (نموذج انتشار الحالة الفراغية المهيكلة). تم اختيار هذا النموذج تحديداً لقدرته على التقاط التبعيات الزمنية طويلة المدى (الاتجاهات اليومية والموسمية) من خلال نماذج الحالة الفراغية المهيكلة. وقد قام المؤلفون بتعديل حلقة التدريب لضمان دمج المدخلات الشرطية بشكل صحيح بعد عملية إفساد الضجيج.

ب. النماذج المقترحة (تزايد التعقيد):

LVGenU (غير شرطي): يولد ملفات تعريف من ضجيج غاوسي نقي دون توجيه خارجي.
LVGenWC (الطقس والتقويم): يربط توليد الملفات ببيانات الطقس (درجة الحرارة، الرطوبة، إلاً) والمتغيرات التقويمية (اليوم/الشهر)، وبيانات المحطة الفرعية الوصفية (عدد العملاء).
LVGenWCS (الطقس، التقويم، والإحصاءات): وهو النموذج الأكثر تقدماً، حيث يضيف إحصاءات الملخص اليومي (الحد الأدنى، والمتوسط، والحد الأقصى للقدرة) كإشارات شرطية لتوجيه النموذج نحو القيم القصوى الواقعية.

ج. إطار التقييم:
تستخدم المنهجية تقييماً مزدوج الطبقات:

الدقة الإحصائية: باستخدام متوسط مربع الخطأ (MSE)، والتباعد في المتوسط الأقصى (MMD)، ومسافة واسرشتاين (Wasserstein distance)، ومتوسط مربع الخطأ المرتكز على الذيول (Tail-Focused MSE) (لقياس الخطأ عند المئوية 95) لتقييم مدى جودة محاكاة النموذج لتوزيع البيانات الحقيقية.
تماسك نظام القدرة: تقييم "لاحق" (post-hoc) حيث يتم تمرير الأحمال المخلقة عبر نموذج تدفق القدرة "نيوتن-رافسون" لشبكة (UKGDS) المكونة من 77 حافلة، للتحقق مما إذا كانت الأحمال المولدة تنتج قيم جهد وزوايا طور واقعية.

3. المساهمات الرئيسية

أول تطبيق للانتشار على تخليق المحطات الفرعية للجهد المنخفض: الانتقاد من نمذجة مستوى العداد الذكي إلى مستوى المحطة الفرعية.
النمذجة المشتركة للقدرة الفعالة وغير الفعالة: الإدراك بأن القدرة غير الفعالة بالغة الأهمية لاستقرار الجهد وتزداد تباينًا بسبب التقنيات منخفضة الكربون (LCTs).
استراتيجية التوجيه متعددة المستويات: إثبات أنه بينما يحسن وصف البيانات والطقس الشكل العام، فإن الإحصاءات اليومية ضرورية لالتقاط "الذيول" (القيم القصوى) للتوزيع.
التحقق المرتكز على أنظمة القدرة: إثبات أن التشابه الإحصائي وحده غير كافٍ؛ بل يجب أن ينتج النموذج أيضاً نتائج "متماسكة" تلبي القيود الفيزيائية للشبكة (حدود الجهد/زاوية الطور).

4. النتائج

الأداء الإحصائي:
- أظهر LVGenU تماسكاً زمنياً جيداً ولكنه فشل في التقاط ذيول التوزيع (ارتفاع في Tail-Focused MSE).
- حسّن LVGenWC التوزيع العام ولكنه ظل يعاني مع القيم القصوى.
- حقق LVGenWCS توافقاً شبه مثالي مع البيانات الحقيقية، متفوقاً بشكل كبير على جميع النماذج الأخرى في MMD وTail-Focused MSE.
تحليل تدفق القدرة:
- فشلت النماذج المرجعية (GMM, WGAN, Tao Vanilla) في تقديم تقديرات جهد موثوقة، حيث كانت قيم $R^2$ سالبة أو منخفضة جداً.
- كان LVGenWCS هو النموذج الوحيد القادر على الحفاظ على قيم الجهد ضمن الحد القانوني $\pm 0.05$ p.u.، مما أظهر دقة عالية في كل من مقدار الجهد والتنبؤ بزاوية الطور.

5. الأهمية

يوفر هذا البحث حلاً قابلاً للتوسع لتوليد السيناريوهات في الشبكات الحديثة. ومن خلال استخدام الانتشار الشرطي، يمكن لمشغلي شبكات التوزيع (DNOs) توليد سيناريوهات أحمال واقعية، متنوعة، ومعقولة فيزيائياً، حتى في حالة عدم وجود بنية تحتية كاملة للمراقبة. وهذا يتيح تخطيطاً أكثر دقة للشبكة على المدى الطويل وإدارة مرونة تشغيلية قصيرة المدى، مما يدعم في النهاية التكامل الآمن للطاقة المتجددة والبنية التحتية للمركبات الكهربائية.