⚡ electrical engineering

Fine-Tuning LLMs to Generate Economical and Reliable Actions for the Power Grid

تقدم هذه الورقة مساراً قابلاً للتحقق لضبط دقيق متعدد المراحل يعمل على تكييف نموذج لغوي كبير مضبوط للتعليمات لتوليد خطط تبديل نقل مفتوحة فقط وموثوقة لعمليات قطع التيار الكهربائي لأغراض السلامة العامة، مما يقلل بشكل كبير من حالات فشل تدفق الطاقة المترددة ويحسن أداء الجهد مقارنة بالتوليد بنمط الصفر استباقي.

المؤلفون الأصليون: Mohamad Chehade, Hao Zhu

نُشر 2026-02-18

📖 4 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 كأنها مدينة ضخمة ومعقدة من الطرق. خطوط الطاقة هي الطرق السريعة، والكهرباء هي حركة المرور، ومحطات الطاقة هي محطات الوقود. عادةً، تسير حركة المرور بسلاسة، ولكن أحياناً يحدث ما يسمى بـ "إغلاق الطاقة لأسباب تتعلق بالسلامة العامة" (PSPS) — وهو يشبه إغلاقاً مفاجئاً وكبيراً للطرق الرئيسية بسبب خطر حرائق الغابات. تُسد الطرق السريعة الرئيسية في المدينة، وتتعثر حركة المرور (الكهرباء)، مما يسبب ازدحامات (أحمال زائدة) أو يترك أحياءً بأكملاء في الظلام (انقطاع التيار).

عندما يحدث هذا، يكون مشغلو الشبكة مثل مراقبي المرور في غرفة طوارئ. يتعين عليهم اتخاذ قرارات سريعة مثل: "إذا أغلقنا هذا الشارع الجانبي تحديداً، فهل سيساعد ذلك في تحسين تدفق حركة المرور في مكان آخر؟" عليهم اتخاذ هذه القروات في غضون دقائق، موازنين بين السلامة، والتكلفة، وإبقاء الأنوار مضاءة.

تقدم هذه الورقة البحثية أداة جديدة لمساعدة هؤلاء المراقبين: مساعد ذكاء اصطناعي ذكي ومدرب يعمل كمهندس مرور ذي خبرة فائقة. إليكم كيف قاموا ببنائه، مشروحاً بتبسيط:

1. المشكلة: النموذج "الذكي" "غبي" جداً بالنسبة للشبكة

بدأ الباحثون بنموذج ذكاء اصطناعي ذكي جداً (نموذج لغوي كبير، أو LLM). فكر في هذا الذكاء الاصطناعي كطالب دراسات عليا عبقري قرأ كل كتاب في المكتبة؛ فهو يعرف كيف يكتب الشعر، ويكتب الأكواد البرمجية، ويلخص الأخبار. لكنه لم يدرس أبداً الهندسة الكهربائية.

إذا سألت هذا الذكاء الاصطناعي: "الطريق السريع الرئيسي مغلق؛ ماذا يجب أن نفعل؟"، فقد يخمن بشكل عشوائي. هو لا يفهم فيزياء الكهرباء. وإذا أخطأ في التخمين، فقد تنهار الشبكة.

2. الحل: معسكر تدريب من ثلاث خطوات

لتحويل هذا الذكاء الاصطناعي العام إلى خبير في الشبكات، استخدم الباحثون "معسكراً تدريبياً" (مسار عمل) مكوناً من ثلاث خطوات.

الخطوة 1: درس "الكتاب المدرسي" (الضبط الدقيق الخاضع للإشراف)

أولاً، قاموا بتعليم الذكاء الاصطناعي باستخدام نهج "الكتاب المدرسي".

المعلم: استخدموا حاسوباً رياضياً فائق القدرة (يُسمى MILP Oracle) وهو بارع تماماً في حساب الطريقة المثالية نظرياً لإعادة توجيه حركة المرور، لكنه ينظر فقط إلى نسخة مبسطة من خريطة الطريق (DC-OPF).
الدرس: عرضوا على الذكاء الاصطناٍ آلاف الأمثلة: "هذا هو سيناريو إغلاق الطريق (المدخلات)، وهذه هي القائمة المثالية رياضياً للشوارع الجانبية التي يجب إغلاقها (المخرجات)."
النتيجة: تعلم الذكاء الاصطناعي محاكاة هذا الحل الرياضي. توقف عن التخمين وبدأ يتبع "قواعد لغوية" صارمة للأفعال (مثل: "أغلق الخط أ، أغلق الخط ب"). لقد تعلم التحدث بلغة الشبكة.

الخطوة 2: المحاكاة "الواقعية" (تحسين التفضيل المباشر)

الرياضيات "النظرية" رائعة، لكن الحياة الواقعية فوضوية. في العالم الحقيقي، قد يؤدي إغلاق طريق ما إلى حدوث ازدحام مروري يتسبب في تراكم حراري خطير (مشاات الجهد الكهربائي) لم تره الرياضيات البسيطة.

التطوير: قام الباحثون بتمرير مقترحات الذكاء الاصطناعي عبر محاكي عالي الدقة (AC Power Flow) يتحقق من هذه "الازدحامات الحرارية" الواقعية.
حلقة التغذية الراجعة: أخذوا اقتراحين من الذكاء الاصطناعي؛ أحدهما تسبب في ارتفاع الجهد (سيء)، والآخر حافظ على استقرار الجهد (جيد). وأخبروا الذكاء الاصطناعي: "أنت تفضل الثاني".
النتيجة: تعلم الذكاء الاصطناعي الاهتمام بـ سلامة الجهد، وليس فقط بالرياضيات. أصبح "واعياً بالجهد"، مدركاً أن بعض التحركات المثالية نظرياً قد تكون خطيرة في الواقع.

الخطوة 3: "شبكة الأمان" (أفضل النتائج من بين N)

حتى بعد التدريب، قد يمر الذكاء الاصطناعي بـ "يوم سيء" ويقترح خطوة خاطئة.

الحيلة: بدلاً من طلب إجابة واحدة فقط من الذكاء الاصطناعي، نطلب منه عشرة أفكار مختلفة.
الاختيار: نقوم بتمرير جميع الأفكار العشر عبر فحص سريع للسلامة ونختار الفكرة الواحدة الأفضل التي تجتاز جميع القواعد.
النتيجة: هذا يشبه استشارة لجنة للحصول على المشورة واختيار الخطة الأكثر أماناً، مما يضمن أن القرار النهائي موثوق.

3. النتائج: من الفوضى إلى السيطرة

اختبر الباحثون هذا على نموذج قياسي لشبكة طاقة (نظام IEEE 118-bus، وهو يشبه مدينة متوسطة الحجم).

قبل التدريب (Zero-Shot): كان الذكاء الاصطناعي غير المدرب كارثياً. فشل في الحفاظ على تدفق الطاقة في 50% من السيناريوهات. كان الأمر أشبه بمراقب مرور أغلق الطرق الخاطئة، مما تسبب في اختناق كامل للشبكة.
بعد التدريب:
- الموثوقية: انخفض معدل الفشل من 50% إلى أرقام أحادية (أقل من 7%). كان الذكأ الاصطناعي يجد دائماً وسيلة لإبقاء الأنوار مضاءة.
- السلامة: تحسنت "جزاءات الجهد" (مدى إجهاد الشبكة) بشكل ملحوظ.
- السرعة: استطاع الذكاء الاصطناعي توليد هذه الخطط بسرعة أكبر بكثير من تشغيل الحاسوب الرياضي الثقيل من الصفر في كل مرة.

الصورة الكبيرة

هذه الورقة البحثية لا تتعلق باستبدال المشغلين البشر أو أجهزة الحساب الثقيلة. بدلاً من ذلك، تتعلق بمنح المشغلين مساعداً ذكياً وقابلاً للتحقق.

فكر في الأمر كجهاز GPS للسائق. الـ GPS (الذكاء الاصطناعي) يقترح المسار بناءً على بيانات المرور. ولكن قبل أن تدير المقود، تقوم أنت (المشغل) بالتحقق من الخريطة للتأكد من أن الطريق ليس مغلقاً بالفعل بسبب أعمال إنشائية. يضمن هذا النظام أن يتحدث الذكاء الاصطناعي اللغة الصحيحة، ويتبع القواعد، ويعطي الأولوية للسلامة، مما يجعل الشبكة أكثر مرونة في مواجهة حرائق الغابات والظروف الجوية القاسية.

ملخص تقني لورقة بحثية بعنوان: "ضبط النماذج اللغوية الكبيرة (LLMs) لتوليد إجراءات اقتصادية وموثوقة للشبكة الكهربائية"

1. بيان المشكلة

تتناول الورقة التحدي التشغيلي المتمثل في إيقاف تشغيل الطاقة لأسباب تتعلق بالسلامة العامة (PSPS). أثناء الظروف الجوية القاسية، تقوم شركات المرافق بقطع التيار عن خطوط النقل لمنع حرائق الغابات. هذا التغيير القسري في طوبولوجيا الشبكة غالبًا ما يجعل نقاط التشغيل القياسية غير قابلة للتطبيق، مما يسبب أحمالاً زائدة واحتمالية لفصل الأحمال.

المهمة: يجب على مشغلي النظام تحديد إجراءات تبديل النقل التصحيحية (تحديدًا إجراءات "الفتح فقط"، أي فتح خطوط إضافية لتخفيف الإجهاد) بسرعة لاستعادة القدرة على التشغيل، وتقليل فصل الأحمال، والحفاظ على استقرار الجهد.
القيود:
- ميزانية التبديل: لا يمكن للمشغلين فتح سوى عدد محدود من الخطوط الإضافية ( $K_\ell$ ).
- القيود الفيزيائية: يجب أن تستوفي الإجراءات قيود تدفق الطاقة المتردد (AC) (حدود الجهد، والحدود الحرارية للخطوط).
- الحساسية الزمنية: يجب اتخاذ القرارات بسرعة؛ حيث إن حل البرامج الخطية المختلطة (MILP) لكل سيناريو أمر مكلف حاسوبيًا.
الفجوة: بينما يمكن للنماذج اللغوية الكبيرة (LLMs) معالجة اللغة الطبيعية، إلا أنها تفتقر إلى المعرفة المتخصصة بفيزياء الشبكة الكهربائية. لا تستطيع النماذج اللغوية الكبيرة القياسية توليد خطط تبديل متوافقة فيزيائيًا وممكنة دون تدريب متخصص.

2. المنهجية

يقترح المؤلفون مسار تكيف متعدد المراحل لتحويل نموذج لغوي كبير مضبوط للتعليمات إلى مساعد متخصص للشبكة. يتكون المسار من ثلاث مراحل رئيسية:

أ. صياغة المشكلة (الأوراكل/المصدر - The Oracle)
صاغ المؤلفون مشكلة التبديل كبرنامج خطي مختلط (MILP) لتدفق الطاقة المثالي للتيار المستمر (DC-OPF).

الهدف: تقليل تكلفة التوليد وعقوبات فصل الأحمال.
القيود: تتضمن حدود المولدات، وتوازن القدرة، وقيود PSPS المحددة (الانقطاعات القسرية).
هيكل الممرات: يمكن قصر قرارات التبديل على "ممرات" جغرافية محددة لتعكس القواعد التشغيلية.
الدور: يعمل هذا الـ MILP كـ "أوراكل" (مصدر للحقيقة) خارج نطاق التشغيل لتوليد تسميات (labels) للتدريب.

ب. الضبط الدقيق الخاضع للإشراف (SFT)
يتم تدريب النموذج اللغوي الكبير لمحاكاة قرارات الـ MILP.

المدخلات: ملخص نصي مدمج ومنظم لسيناريو PSPS (الطوبولوجيا، الانقطاعات القسرية، الميزانيات).
المخرجات: قواعد لغوية للإجراءات (Action Grammar) مقيدة (مثل open(S3:21) أو do_nothing). تضمن هذه القواعد أن تكون المخرجات قابلة للقراءة من قبل الآلات وقابلة للتحليل.
الهدف: استخلاص منطق تحسين DC-OPF في النموذج اللغوي الكبير، مما يمكنه من توليد خطط تبديل مثالية اقتصاديًا تحترم ميزانية التبديل.

ج. تحسين التفضيل المباشر (DPO)
الضبط الدقيق (SFT) وحده يحسن اقتصاديات الـ DC ولكنه يتجاهل قيود الجهد غير الخطية للتيار المتردد (AC). لمعالجة ذلك، طبق المؤلفون تقنية DPO.

الآلية: يقوم النموذج بتوليد عدة خطط مرشحة. يتم تقييم هذه الخطط باستخدام محاكاة تدفق الطاقة للتيار المتردد (AC Power Flow).
المقياس: يتم حساب عقوبة الجهد ( $V_{pen}$ ) بناءً على انتهاكات مقدار الجهد خارج النطاق المسموح به.
التدريب: يتم إنشاء أزواج تفضيل $(y^+, y^-)$ حيث تمتلك $y^+$ عقوبة جهد أقل من $y^-$ . يتم ضبط النموذج ليفضل الإجراءات الآمنة للجهد، مما يؤدي فعليًا إلى حقن "الوعي بالجهد" دون الحاجة لقيود AC صريحة في دالة الخسارة.

د. الاختيار أثناء الاستدلال (أفضل من N - Best-of-N)
لضمان الموثوقية بشكل أكبر، يستخدم النظام استراتيجية Best-of-N أثناء الاستدلال.

يقوم النموذج بأخذ عينات من $N$ من الخطط المرشحة.
يتم تصفية المرشحين للتأكد من صحة القواعد اللغوية والالتزام بالميزانية.
يتم اختيار أفضل مرشح بناءً على درجة معينة (على سبيل المثال، أدنى تكلفة DC أو أدنى عقوبة جهد AC).

3. المساهمات الرئيسية

قواعد لغوية قابلة للتحقق: تصميم تنسيق مخرجات مقيد يسمح بالتحليل الفوري والتحقق من الإمكانية، مما يمنع النموذج من العمل كمتحكم غير موثوق.
المواءمة الواعية بالجهد: تقديم مرحلة DPO تستخدم عقوبات جهد مشتقة من الـ AC لتحسين سياسة مدربة على الـ DC، مما يسد الفجوة بين التقريبات الخطية والواقع الفيزيائي غير الخطي.
مسار متكامل (End-to-End): سير عمل كامل بدءًا من تلخيص السيناريو وصولاً إلى توليد المرشحين، والتحقق، والاختيار، تم تطبيقه على نظام IEEE 118-bus.
قابلية التكرار: نشر الكود ونصوص توليد البيانات لدعم المجتمع العلمي.

4. النتائج التجريبية

أجريت التجارب على نظام اختبار IEEE 118-bus مع 200 سيناريو من سيناريوهات PSPS. تمت مقارنة النماذج المعدلة المقترحة مع نموذج Zero-Shot LLM ونموذج أساسي من الشبكة العصبية (MLP).

الأداء الاقتصادي (هدف DC):
- تفوق كل من SFT و DPO بشكل كبير على نموذج Zero-Shot الأساسي، حيث حققا تكاليف توليد وفصل أحمال أقل.
- كانت قيم الوسيط لـ SFT و DPO متقاربة، مما يشير إلى أن تحسين الجهد لم يؤثر سلبًا على الكفاءة الاقتصادية.
الجدوى في التيار المتردد (المقياس الحرج):
- Zero-Shot: فشل في تدفق طاقة الـ AC في 50% من السيناريوهات (خطط مستحيلة فيزيائيًا).
- SFT & DPO: خفضا معدلات الفشل إلى ~6.7%.
- نموذج MLP الأساسي: حقق أدنى معدل فشل (~3.3%)، ومع ذلك ظلت النماذج اللغوية الكبيرة تنافسية.
جودة الجهد:
- في "مجموعة النجاح المشترك" (السيناريوهات التي تقاربت فيها جميع النماذج)، حقق نموذج DPO أدنى وسيط لعقوبة الجهد، متفوقًا على كل من SFT و MLP. وهذا يؤكد أن DPO نجح في تعلم إعطاء الأولوية لسلامة الجهد.
استقرار التدريب: أظهرت منحنيات التدريب تقاربًا سريعًا لكل من SFT (انخفاض الخسارة، زيادة الدقة) و DPO (تعلم التفضيل المستقر).

5. الأهمية والأثر

القابلية للتشغيل: توضح الورقة أن النماذج اللغوية الكبيرة يمكن تكييفها لتعمل كـ أدوات دعم قرار بدلاً من كونها متحكمات "صندوق أسود". من خلال استخدام نهج "مولد المرشحين" مع التحقق الصارم، يقلل النظام من مخاطر التخيلات (hallucinations) أو الإجراءات غير الآمنة.
كفاءة التكلفة: يقوم المسار بتوزيع التكلفة الحاسوبية العالية لحل الـ MILPs خارج نطاق التشغيل في مرحلة تدريب لمرة واحدة، مما يسمح باستدلال سريع وشبه فوري أثناء حالات الطوارئ.
الذكاء الاصطناائي المدرك للفيزياء: يسلط العمل الضوء على نهج مبتكر لدمج القيود الفيزيائية (جهد AC) في النماذج اللغوية الكبيرة ليس عن طريق تغيير البنية، ولكن باستخدام تحسين التفضيل على بيانات مقيمة فيزيائيًا.
التوجه المستقبلي: يعد هذا بمثابة مخطط لتنفيذ مساعدين ذكاء اصطناعي موثوقين وموجهين للمشغلين في البنية التحتية الحيوية، والانتقال من مجرد توليد النصوص إلى اتخاذ قرارات مهيكلة وحرجة للسلامة.