⚡ electrical engineering

Discovering Unknown Inverter Governing Equations via Physics-Informed Sparse Machine Learning

تقترح هذه الورقة إطار عمل للتعلم الآلي المتناثر المستند إلى الفيزياء (PISML) ينجح في اكتشاف المعادلات الحاكمة المجهولة للمحولات المرتبطة بالشبكة من خلال الجمع بين عمود فقري رمزي متناثر وفرع متبقٍ عصبي، محققاً تحديداً عالي الدقة وتحويل البيانات المعقدة "الصندوق الأسود" إلى نماذج صريحة مدمجة وقابلة للتحليل الرياضي من أجل تحليل الاستقرار الصارم.

المؤلفون الأصليون: Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu

نُشر 2026-02-19

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jialin Zheng, Ruhaan Batta, Zhong Liu, Xiaonan Lu

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 شبكة الطاقة الحديثة كأنها أوركسترا ضخمة ومعقدة. في الماضي، كان الموسيقيون عبارة عن آلات كبيرة وثقيلة (مثل المولدات التقليدية) تصدر ضجيجاً بطريقة ميكانيكية يمكن التنبؤ بها. كان بإمكانك بسهولة كتابة "النوتة الموسيقية" (الرياضيات) لكيفية عزفهم.

أما اليوم، فيتم استبدال هذه الأوركسترا بآلاف الروبوتات الصغيرة التي يتم التحكم فيها برمجياً (المحولات/Inverters). هذه الروبوتات سريعة وفعالة للغاية، لكنها أيضاً "صناديق سوداء". فالشركات التي تصنعها تحتفظ بـ "النوتة الموسيقية" الداخلية (خوارزميات التحكم) سرية. بالنسبة لمشغلي الشبكة، تبدو هذه الروبوتات غامضة: فهي تتفاعل مع الموسيقى، لكن لا أحد يعرف بالضبط كيف تقرر تحريك أذرعها.

إذا بدأ روبوت ما بالعزف خارج النغمة، فقد تنهار الأوركسترا بأكملها. ولكن نظرًا لعدم امتلاكنا للنوتة الموسيقية، لا يمكننا التنبؤ متى أو لماذا سيحدث ذلك.

تقدم هذه الورقة البحثية أداة كشف جديدة تسمى PISML (تعلم الآلة المتناثر المستند إلى الفيزياء) لحل هذا الغموض. وإليك كيف تعمل، باستخدام تشبيهات بسيطة:

1. المشكلة: لغز "الصندوق الأسود"

تخيل أنك تحاول معرفًة كيفية عمل محرك سيارة غامض بمجرد مراقبته وهو يسير على الطريق.

الطريقة القديمة 1 (تحديد المعاوقة): أنت تنظر فقط إلى كيفية تفاعل السيارة مع المطبات الصغيرة. الأمر يشبه قولك: "عندما أضغط على دواسة الوقود، تزداد سرعتها قليلاً". هذا ينجح في الأشياء الصغيرة، ولكن إذا اصطدمت بحفرة عملاقة (طفرة طاقة كبيرة)، تفشل هذه الطريقة لأنها لا تفهم التعقيد الكامل للمحرك.
الطريقة القديمة 2 (الذكاء الاصطناعي الصرف/الشبكات العصبية): تقوم بتعيين ذكاء اصطناوي فائق الذكاء لمراقبة السيارة وتخمين القواعد. يصبح الذكاء الاصطناعي جيداً جداً في محاكاة حركات السيارة، لكنه يشبه الببغاء: يكرر ما يسمعه دون فهم "لماذا". إذا طلبت منه القيادة في موقف لم يره من قبل، فقد يهلوس ويتحطم. كما أن "دماغ" الذكاء الاصطناعي عبارة عن صندوق أسود ضخم وفوضوي لا يمكن لأي بشري قراءته.

2. الحل: "الهيكل والظل"

يقترح المؤلفون نهجاً هجيناً، يشبه بناء نموذج للسيارة في جزأين:

الجزء (أ): الهيكل (العمود الفقري الفيزيائي)
فكر في هذا كالقوانين الأساسية للفيزياء التي يجب أن تكون صحيحة. نحن نعلم أن السيارات لها عجلات، ومحركات، واحتكاك. ونعلم أن المحولات لها أسلاك، ومكثفات، وقوانين كهربائية أساسية.
يبدأ الذكاء الاصطناعي ببناء هيكل بناءً على هذه القواعد المعروفة. إنه مجموعة بسيطة، نظيفة، وسهلة القراءة من المعادلات. إنه يلتقط 90% مما تفعله الآلة.
الجزء (ب): الظل (البقايا العصبية)
الهيكل ليس مثالياً. فالآلة الحقيقية لديها حيل برمجية معقدة وسرية (مثل "إذا انخفض الجهد بسرعة كبيرة، افعل هذه الرقصة الغريبة"). لا يستطيع الهيكل تخمين هذه الأسرار.
لذلك، يضيف الذكاء الاصطناعي ظلاً (شبكة عصبية) يتعلم فقط الفرق بين تخمين الهيكل والآلة الحقيقية. الظل هو الجزء "الأسود" من الصندوق، لكنه صغير ويتعامل فقط مع الأشياء الغريبة والفوضوية التي فاتها الهيكل.

3. السر الخفي: "التدريب الفيزيائي"

هنا يكمكم العبقرية. عادةً ما يحاول الذكاء الاصطناعي مطابقة البيانات تماماً. لكن هذا الذكاء الاصطناعي يتم تدريبه بواسطة معلم صارم.

يقول المعلم: "يمكنك تعلم الأشياء الغريبة، ولكن يجب ألا تكسر قوانين الفيزياء".
إذا حاول "الظل" الخاص بالذكاء الاصطناعي جعل السيارة تطير (وهو أمر مستحيل فيزيائياً)، فإن المعلم يضرب يده.
هذا يضمن أنه على الرغم من أن الذكاء الاصطناعي يتعلم من البيانات، فإنه لا ينسى أبداً أن الآلة مصنوعة من معدن وكهرباء، وليس من السحر.

4. الخدعة السحرية: تحويل الظل مرة أخرى إلى هيكل

بمجرد أن يتعلم الذكاء الاصطناعي كل شيء، لا يزال لدينا "ظل" فوضوي (شبكة عصبية) لا يمكن للبشر قراءته.

التقطير: يقوم المؤلفون بخطوة ثانية. يأخذون "الظل" ويجبرونه على كتابة نوتته الموسيقية البسيطة الخاصة. يسألون الذكاء الاصطناعي: "هل يمكنك شرح رقصتك الغريبة باستخدام رياضيات بسيطة؟"
ومن المثير للدهشة، يقول الذكاء الاصطناعي: "نعم! إنها مجرد موجة جيبية وعملية ضرب".
النتيجة هي معادلة واحدة، نظيفة، وصريحة تصف الآلة بأكملها. لم تعد صندوقاً أسود؛ بل أصبحت صندوقاً أبيض.

لماذا يهم هذا الأمر؟

الأمان: يمكن لمشغلي الشبكة الآن أخذ هذه المعادلة البسيطة الجديدة وإجراء اختبارات السلامة. يمكنهم رياضياً إثبات: "إذا قمنا بتوصيل 1,000 من هذه الروبوتات، فستظل الشبكة مستقرة".
البساة: المعادلة النهائية صغيرة. إنها مثل ضغط رواية مكونة من 5,000 صفحة في فقرة واحدة دون فقدان الحبكة. وهذا يجعل من السهل وضعها داخل الحواسيب التي تدير الشبكة.
الدقة: في اختباراتهم، كانت هذه الطريقة أكثر دقة بـ 340 مرة من الطرق القديمة عندما واجهت الشبكة مشاكل كبيرة ومخيفة (مثل انخفاض مفاجئ في الطاقة).

الخلاصة

تمنحنا هذه الورقة البحثية طريقة لإلقاء نظرة داخل "الصندوق الأسود" لمحولات الطاقة الحديثة. إنها تجمع بين المنطق السليم للفيزياء مع قدرة التعلم للذكاء الاصطناعي، ثم تترجم النتيجة مرة أخرى إلى رياضيات بسيطة يمكن للبشر فهمها والثقة بها. إنها تحول روبوتاً غامضاً وغير قابل للتفسير إلى شريك شفاف وقابل للتنبؤ لشبكة الطاقة الخاصة بنا.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "اكتشاف المعادلات الحاكمة للمحولات المجهولة عبر التعلم الآلي المتناثر والمستند إلى الفيزياء" المنشورة في مجلة IEEE Transactions on Power Electronics.

1. بيان المشكلة

أدى التكامل السريع للموارد القائمة على المحولات (IBRs) إلى تحول في أنظمة القدرة، حيث انتقلت الديناميكيات من الآلات التزامنية الفيزيائية إلى إلكترونيات القدرة التي يتم التحكم فيها برمجياً. ويبرز تحدٍ حرج لأن منطق التحكم في المحولات المكونة للشبكة (GFM) والمتبعة للشبكة (GFL) غالباً ما يكون ملكية خاصة ومغلقة المصدر ("صناديق سوداء").

الفجوة في النمذجة: تعتمد التحليلات التقليدية للاستقرار على معادلات حالة فضاء صريحة. ومع ذلك، تفشل طرق التحديد الحالية في توفير هذه المعادلات:
- تحديد المعاوقة: يفترض الخطية المحلية ويفشل في التقاط الديناميكيات غير الخطية العالمية أو سلوكيات الإشارة الكبيرة (مثل الاستقرار العابر).
- الانحدار الرمزي: يواجه صعوبة في التعامل مع الأنظمة عالية الأبعاد ومتعددة المقاييس الزمنية، ويفترض أن مكتبة الدوال المحددة مسبقاً كافية، مما يؤدي غالباً إلى الفشل في بنى التحكم المعقدة.
- الشبكات العصبية الصرفة (NNs): رغم قدرتها التعبيرية، إلا أنها تفتقر إلى الاتساق الفيزيائي، وغالباً ما تنتج نماذج تطابق البيانات ولكنها تنتهك القوانين الفيزيائية (مثل القيم الذاتية غير الصحيحة)، مما يجعلها غير مناسبة للتحليل الصارم للاستقرار.
الهدف: اكتشاف معادلات حاكمة صريحة، وقابلة للتفسير، ومتسقة فيزيائياً لأنظمة تحكم المحولات المجهولة مباشرة من بيانات القياس الخارجية.

2. المنهجية: إطار عمل PISML

اقترح المؤلفون التعلم الآلي المتناثر والمستند إلى الفيزياء (PISML)، وهو إطار عمل هجين يوازن بين قابلية التفسير للانحدار الرمزي والقدرة التمثيلية للشبكات العصبية.

أ. البنية الهجينة العصبية-الرمزية

يقوم إطار العمل بتفكيك ديناميكيات المحول إلى مكونين:

العمود الفقري الرمزي المتناثر ( $f_{sparse}$ ): يلتقط القوانين الفيزيائية المهيمنة (مثل قوانين كيرشوف، وديناميكيات RLC) وهياكل التحكم القياسية (مثل منظمات PI، وحسابات القدرة). ويستخدم مكتبة متخصصة في المجال تحتوي على حدود خطية، وحالات تكاملية، وحدود قدرة ثنائية الخطية ($p=vdid+vqiq$).
فرع المتبقي العصبي ( $N(x, u)$ ): يتم نمذجته كـ معادلة تفاضلية عصبية (Neural ODE) مستمرة زمنياً (باستخدام مدرك متعدد الطبقات). يلتقط هذا الفرع الديناميكيات "المتبقية" — وهي اللاخطيات المعقدة غير المبرمجة، ومنطق التحكم المملوك لجهات معينة، والسلوكيات عالية التردد التي لا يستطيع العمود الفقري الرمزي التقاطها.

الديناميكيات الإجمالية: $\dot{x}(t) = f_{sparse}(x, u) + N(x, u; \theta_{NN})$

ب. التدريب متعدد المقاييس المستند إلى الفيزياء

لمنع الشبكة العصبية من "إلغاء" تأثير العمود الفقري الفيزيائي (وهي مشكلة شائعة في التدريب المشترك)، يستخدم PISML آلية تدريب منظمة بجاكوبي (Jacobian-regularized):

خسارة المسار ( $L_{traj}$ ): تقلل الخطأ بين مسارات الحالة المتوقدة والمقاسة.
خسارة اتساق جاكوبي ( $L_{pert}$ ): تفرض الاتفاق بين استجابة النموذج الخطية الصغيرة (مصفوفة جاكوبي) وبيانات الاضطراب التجريبية. يضمن هذا أن النموذج المتعلم يحافظ على خصائص الاستقرار المحلي الصحيحة (القيم الذاتية).
عقوبة التناثر ( $L_{sparse}$ ): تستخدم تنظيم $\ell_1$ لإجبار العمود الفقري الرمزي على اختيار الحدود الفيزيائية الأكثر أهمية فقط، واستبعاد الحدود الزائدة.

ج. اكتشاف المعادلات الصريحة الرمزية (التقطير)

تتحول الخطوة النهائية من النموذج الهجين "الرمادي-الأسود" إلى معادلة "بيضاء" صريحة:

يُستخدم المتبقي العصبي المدرب كمتنبئ عالي الدقة وخالٍ من الضوضاء لتوليد بيانات اصطناعية.
يتم إجراء انحدار رمزي متناثر على هذه البيانات الاصطناعية باستخدام مكتبة موسعة (تشمل الدوال المثلثية والحدود عالية الرتبة) لاستخراج تعبير رياضي مغلق للمتبقي.
يتم دمج المتبقي الصريح مع العمود الفقري الرمزي لإنتاج المعادلة الحاكمة النهائية.

3. المساهمات الرئيسية

البنية الهجينة: تصميم مشترك مبتكر لعمود فقري رمزي متناثر ومعادلة تفاضلية عصبية متبقية، مما يفصل القوانين الفيزيائية المعروفة عن اللاخطيات المجهولة.
الاتساق متعدد المقاييس: تقديم استراتيجية تدريب مستندة إلى الفيزياء تضمن في آن واحد إعادة بناء مسار الإشارة الكبيرة بدقة، والخطية الفيزيائية الصحيحة للإشارة الصغيرة (هيكل جاكوبي صحيح).
الضغط المحافظ على الدقة: عملية من مرحلتين تحول الشبكة العصبية الثقيلة وغير الشفافة إلى معادلة رمزية مدمجة وصريحة، مما يعيد القدرة على التحليل الرياضي.

4. النتائج التجريبية

تم التحقق من صحة إطار العمل باستخدام منصة التحقق من العتاد في الحلقة (HIL) عالية الدقة باستخدام محول ذو منطق تحكم مجهول.

إعادة بناء المسار:
- قلل PISML خطأ إعادة بناء المسار بأكثر من 340 مرة مقارنة بالنماذج المرجعية القياسية SINDy و Mod-SIDNY.
- أظهر قدرة فائقة على التعميم خارج نطاق التوزيع (OOD)، حيث تتبع الديناميكيات بدقة تحت ظروف انخفاض الجهد الشديد (0.4 p.u.) وتشبع التحكم حيث فشلت الطرق الرمزية أو العصبية الصرفة.
استقرار الإشارة الصغيرة:
- على عكس النماذج العصبية التفاضلية الصرفة أو نماذج PISML غير المقيدة، نجح PISML-Phy (مع قيود جاكوبي) في تحديد القيم الذاتية للنظام بشكل صحيح، حيث أبقاها تماماً في النصف الأيسকাল من المستوى (مستقرة) وطابقت الحقيقة الأرضية.
- انخفضت مسافة واسرتاين (التي تقيس التباين الطيفي) بمقدار 340 ضعفاً مقارنة بالنماذج المرجعية.
كفاءة البيانات:
- حقق PISML دقة عالية باستخدام 12 مساراً تدريبياً فقط، بينما تطلبت النماذج العصبية التفاضلية الصرفة حوالي 64 مساراً لتحقيق أداء مماثل.
ضغط النموذج:
- قلل النموذج المقطر النهائي عدد المعلمات من أكثر من 5,000 (في الشبكة العصبية) إلى أقل من 50 معاملًا، محققاً نسبة ضغط تزيد عن 250 ضعفاً مع الحفاظ على دقة عالية.
التكامل على مستوى النظام:
- تم دمج المعادلات الصريحة المكتشفة بنجاح في محاكاة شبكة ميكروية مكونة من 3 قضبان. أعادت المحاكاة الهجينة (نموذج PISML + محولات تحليلية معروفة) بدقة ديناميكيات مشاركة الحمل العابرة وسمحت بتحليل استقرار "مخطط الجذور" (root-locus) الصارم، وهو أمر مستحيل مع النماذج السوداء.

5. الأهمية

يجسر هذا العمل الفجوة الحرجة بين التحديد القائم على البيانات والهندسة الصارمة لأنظمة القدرة.

استعادة القدرة على التحليل الرياضي: يحول الأجهزة ذات الهياكل غير القابلة للوصر (الصناديق السوداء) إلى نماذج رياضية صريحة، مما يتيح تحليل الاستقرار القائم على القيم الذاتية وتقييم التخميد.
السلامة التشغيلية: يمكن لمشغلي الشبكات الآن تقييم تأثير الاستقرار للمحولات المملوكة المجهولة رياضياً قبل الربط الفيزيائي، مما يقلل من مخاطر عدم الاستقرار.
الكفاءة الحسابية: النماذج الرمزية المقطرة خفيفة الوزن بما يكفي للنشر في الأنظمة المدمجة، على عكس الشبكات العصبية الثقيلة.
مسار موحد: يوفر منهجية قابلة للتعميم لاكتشاف المعادلات الحاكمة في الأنظمة المعقدة، غير الخطية، ومتعددة المقاييس الزمنية بما يتجاوز مجرد المحولات.

في الختام، نجح PISML في التوفيق بين التناقض بين تحديد اللاخطيات المعقدة غير المبرمجة والحفاظ على الاتساق الفيزيائي، مما قدم حلاً قوياً لتحليل استقرار شبكات القدرة الحديثة التي تهيمن عليها المحولات.