💻 computer science

Communication Network-Aware Missing Data Recovery for Enhanced Distribution Grid Visibility

تقترح هذه الورقة إطار عمل مدركاً لشبكة الاتصالات يدمج قيود التوجيه مع إكمال المصفوفات منخفضة الرتبة للتخفيف من حدة فقدان البيانات المرتبط مكانياً وتحسين دقة استعادة البيانات المفقودة في شبكات توزيع الطاقة بشكل كبير مقارنة بالنهج التقليدي القائم على القياس فقط.

المؤلفون الأصليون: Biswas Rudra Jyoti Arka, Md Zahidul Islam, Yuzhang Lin, Vinod M. Vokkarane, Junbo Zhao

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Biswas Rudra Jyoti Arka, Md Zahidul Islam, Yuzhang Lin, Vinod M. Vokkarane, Junbo Zhao

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 مدينة ضخمة وعالية التقنية (شبكة الطاقة) تحتاج إلى معرفة ما يحدث بالضبط في كل حي في كل ثانية للحفاظ على استمرار الإضاءة وانسياب حركة المرور. وللقيام بذلك، تمتلك المدينة آلاف الجواسيس الصغار (المستشعرات) المنتشرين في كل مكان، يرسلون التقار باستمرار إلى مقر البلدية (مركز التشغيل).

ومع ذلك، فإن الطرق التي يستخدمها هؤلاء الجواسوس لإرسال تقاريرهم (شبكة الاتصالات) مهتزة وغير مستقرة. أحياناً ينهار جسر، أو يُسد نفق. وعندما يحدث هذا، يتوقف مقر البلدية عن تلقي التقارير من أحياء بأكملها. وإذا فقد الكثير من الجواسيس في منطقة واحدة طريقهم في نفس الوقت، يصاب مقر البلدية بـ "العمى"، ولا يستطيعون اتخاذ قرارات جيدة.

تقترح هذه الورقة طريقة جديدة ذكية لتنظيم هؤلاء الجواسيس بحيث يمكن لمقر البلدية معرفة ما هو مفقود حتى عندما تنقطع الطرق.

إليك تفصيل حلهم باستخدام تشبيهات بسيطة:

1. المشكلة: خطأ "وضع كل البيض في سلة واحدة"

الطريقة القديمة:
تخيل أن لديك مجموعة من الأصدقاء (المستشعرات) الذين يعيشون جميعاً في نفس الحي. في النظام القديم، قد تطلب من جميعهم ركوب نفس مسار الحافلة لإيصال رسائلهم إلى مقر البلدية.

الكارثة: إذا تعطلت تلك الحافلة الواحدة، فلن يتمكن أي من أصدقائك من إرسال رسالة. ستفقد 100% من البيانات من ذلك الحي.
النتيجة: يحاول مقر البلدية التخمين عما حدث، ولكن بدون أدلة كافية، غالباً ما تكون تخميناته خاطئة.

2. الحل: استراتيجية "التشتيت وإعادة البناء"

يقترح المؤلفون خطة من ثلاث خطوات لإصلاح ذلك:

الخطوة أ: تجميع الأصدقاء ذوي العادات المتشابهة (التجميع - Clustering)

أولاً، هم لا يجمعون الناس عشوائياً. بل ينظرون إلى تاريخ الجواسيس. إذا كان الجاسوس (أ) والجاسوس (ب) يقدمان دائماً أنماط حركة مرور متشابهة (لأنهما في نفس الشارع)، فإنهما يوضعان في نفس "النادي" (العنقود).

القاعدة: يحرصون على أن يكون كل "نادي" متساوياً في الحجم تقريباً. هذا يمنع وجود نادٍ صغير جداً (لا يحتوي على بيانات كافية) أو كبير جداً (فوضوي للغاية).

الخطوة ب: قاعدة "الطرق المتعددة" (توجيه الاتصالات)

هذا هو الجزء الأهم. بدلاً من ترك جميع أعضاء النادي يركبون نفس الحافلة، يجبرهم النظام على الانقسام.

التشبيه: تخيل أن النادي يضم 10 أعضاء. يقول النظام: "لا يسمح لأكثر من 3 منكم بركوب مسار الحافلة رقم 1. يجب على الآخرين ركوب المسار رقم 2 أو المسار رقم 3".
الفائدة: إذا تعطل مسار الحافلة رقم 1، ستفقد 3 أعضاء فقط. سيظل لديك 7 أعضاء يرسلون التقارير. ولأنك لا تزال تملك بعض البيانات من تلك المجموعة، سيعرف النظام الانطباع العام للحي.

الخطوة ج: "حلّال الألغاز السحري" (استعادة البيانات)

حتى مع قاعدة "الطرق المتعددة"، ستظل بعض البيانات مفقودة. ربداً ما، قد يعلق 3 أشخاص من أصل 10 في النادي.

السحر: يستخدم النظام خدعة رياضية تسمى إكمال المصفوفة منخفضة الرتبة (Low-Rank Matrix Completion). فكر في الأمر كأنه حلّال ألغاز ذكي للغاية.
- نظرًا لأن الجواسيس في النادي لديهم عادات متشابهة (مرتبطون ببعضهم)، فإذا كنت تعرف ما يفعله 7 منهم، يمكن لحلّال الألغاز التنبؤ بما كان يفعله الـ 3 المفقودين بدقة عالية.
- يستخدمون أداة محددة تسمى OSVT (عتبة القيمة المفردة المثلى)، وهي تشبه مرشح إلغاء الضجيج الذي ينقي التخمينات ويملأ الفراغات بشكل مثالي.

3. الاختبار في العالم الحقيقي

اختبر الباحثون هذه الفكرة على شبكة مدينة محاكية (IEEE 37-node test feeder) باستخدام بيانات حقيقية من عدادات الكهرباء الذكية في لندن.

السيناريو: قاموا بمحاكاة إغلاقات عشوائية للطرق (فشل الاتصالات) حيث تعطلت حتى 5 طرق في وقت واحد.
النتيجة:
- الطريقة القديمة (الكل في حافلة واحدة): كانت تعطي أرقام الجهد والقدرة بشكل خاطئ تماماً في كثير من الأحيان.
- الطريقة الجديدة (حافلات منقسمة + حلّال الألغاز): كانت تعطي أرقاماً أقرب بكثير إلى الحقيقة.
- الدرجة: لقد حسنوا دقة قراءات الجهد بنحو 7% وقراءات القدرة بنسبة تقترب من 13%. في عالم شبكات الطاقة، يعد هذا فرقاً هائلاً يمكن أن يمنع انقطاع التيار الكهربائي.

ملخص

فكر في هذه الورقة كأنها خطة إخلاء طوارئ للبيانات.

لا تضع كل بيضك في سلة واحدة: وزع مستشعراتك عبر مسارات اتصال مختلفة.
حافظ على توازن المجموعات: تأكد من عدم وجود مجموعة صغيرة جداً لدرجة تجعلها غير مفيدة.
استخدم ذاكرة المجموعة: إذا فُقدت بعض البيانات، استخدم الأنماط الموجودة في البيانات المتبقية للتنبؤ بما نقص رياضياً "لملء الفراغات".

من خلال القيام بذلك، تظل شبكة الطاقة "مرئية" وآمنة، حتى عندما تنقطع طرق الاتصال.

فيما يلي ملخص تقني مفصل للورقة البحثية بعنوان: "استعادة البيانات المفقودة مع مراعاة شبكة الاتصالات لتعزيز رؤية شبكة التوزيع."

1. بيان المشكلة

تعتمد أنظمة توزيع الطاقة الحديثة على شبكات استشعار كثيفة لضمان الوعي بالحالة التشغيلية في الوقت الفعلي. ومع ذلك، تواجه هذه الأنظمة تحديات كبيرة بسبب روابط الاتصال غير الموثوقة وأعطال المعدات، مما يؤدي إلى فقدان أو عدم اكتمال بيانات القياس في مركز التشغيل.

القصور الرئيسي في النهج الحالية:

تجاهل الاتصالات: تتعامل معظم طرق استعادة البيانات الحالية مع شبكة الاتصالات كمجرد مصدر للبيانات المفقودة، وليس كجزء لا يتجزأ من صياغة عملية الاستعادة.
الارتباط المكاني للإخفاقات: إذا تشاركت عدة مستشعرات في رابط اتصال واحد متعطل، فقد تفقد البيانات في وقت واحد. غالبًا ما تفشل الطرق الحالية في مراعاة هذا الأمر، مما يؤدي إلى فقدان بيانات كبير ومرتبط مكانيًا، وهو ما يضعف دقة تقنيات إكمال المصفوفات منخفضة الرتبة (low-rank matrix completion).
القابلية للتوسع: الطرق التي تستعيد المستشعات بشكل فردي أو تعيد بناء جميع القياسات في آن واحد تواجه صعوبة في التوسع لتناسب أنظمة التوزيع الكبيرة.

تتمثل المشكلة الجوهرية في استعادة قياسات المستشعرات المفقودة (مثل الجهد، وحقن القدرة) بدقة رغم فشل الاتصالات، وذلك من خلال دمج قيود توجيه الاتصالات صراحةً في عملية استعادة البيانات.

2. المنهجية

يقترح المؤلفون إطار عمل للاستعادة مع مراعاة الاتصالات يدمج قيود طوبولوجيا الشبكة مع إكمال المصفوفة منخفضة الرتبة. تتكون المنهجية من ثلاث مراحل:

أ. التجميع المتوازن باستخدام خوارزمية (K-Means)

يتم تجميع المستشعارات في مجموعات (Clusters) متوازنة مكونة من $K$ من المجموعات بناءً على ملفات القياس التاريخية (المتوسط، الحد الأقصى، الحد الأدنى، الوسيط، والتباين).

القيد: على عكس خوارزمية (k-means) القياسية، يفرض هذا النهج أحجام مجموعات متوازنة (العدد $\approx$ إجمالي المستشعرات / $K$ ).
الغرض: منع تكون مجموعات صغيرة جدًا (مما يحد من البيانات اللازمة للاستعادة) أو كبيرة جدًا (مما يقلل من التشابه داخل المجموعة)، لضمان وجود بيانات متماسكة كافية لإعادة البناء منخفض الرتبة.

ب. توجيه أشجار شتاينر منفصلة الروابط (LDST)

لمنع فقدان البيانات المتزامن داخل المجموعة الواحدة، يقوم إطار العمل ببناء أشجار شتاينر منفصلة الروابط (LDSTs) في شبكة الاتصالات.

الآلية: يتم توزيع المستشعرات داخل المجموعة الواحدة عبر مسارات اتصال متعددة ومنفصلة الروابط متبادلاً ( $T_1, T_2, \dots$ ).
القيد: يحدد معامل قابل للضبط $\alpha_{LDST}$ $α_{L D S T}$ النسبة المئوية للمستشعرات في المجموعة التي يمكنها مشاركة مسار (LDST) واحد.
- مثال: إذا كانت $\alpha_{LDST} = 0.3$ ، فإن 30% كحد أقصى من مستشعرات المجموعة يمكنها التوجيه عبر نفس الرابط.
الفائدة: حتى في حالة فشل رابط أو أكثر من روابط الاتصال، تستمر المستشعرات المتبقية في المجموعة (التي يتم توجيهها عبر مسارات LDST أخرى) في إرسال البيانات، مما يحافظ على الهيكل منخفض الرتبة للمجموعة المطلوب لعملية الاستعادة.

ج. استعادة البيانات عبر عتبة القيم المفردة المثلى (OSVT)

بمجرد جمع البيانات (مع وجود بعض المدخلات المفقودة)، يتم تطبيق عملية الاستعادة لكل مجموعة:

تحويل مصفوفة "بيج" (Page Matrix): يتم ترتيب بيانات السلاسل الزمنية في مصفوفة "بيج" (مقاطع زمنية غير متداخلة كأعمدة) لإظهار الهياكل المكانية والزمانية منخفضة الرتبة.
خوارزمية (OSVT):
- التطبيع (Normalization): تحجيم البيانات إلى النطاق $[-1, 1]$ .
- تحليل القيم المفردة (SVD): إجراء تحليل القيم المفردة.
- العتبة (Thresholding): تطبيق عتبة قيم مفردة مثلى ( $\sigma_{th}$ ) مشتقة من أبعاد المصفوفة للفصل بين الإشارة والضوضاء/البيانات المفقودة.
- إعادة البناء: الاحتفاظ بالقيم المفردة الهامة لإعادة بناء المصفوفة منخفضة الرتبة وإعادة تحجيمها إلى النطاق الأصلي.

3. المساهمات الرئيسية

صياغة تراعي الاتصالات: تعد هذه الورقة الأولى التي تدمج صراحةً قيود توجيه الاتصالات (LDSTs) مباشرة في صياغة استعادة البيانات المفقودة لشبكات التوزيع.
استراتيجية تجميع مرنة: تقدم طريقة تجميع مقيدة توازن بين تجميع المستشعرات وتنوع مسارات الاتصال لمنع فقدان البيانات المرتبط مكانيًا.
إطار عمل هجين: يجمع بين هندسة الشبكات (أشجار شتاينر) ومعالجة الإشارات (إكمال المصفوفة منخفضة الرتبة/OSVT) لإنشاء خط معالجة قوي.
التحقق من الصحة: أثبتت فعالية النهج باستخدام بيانات حقيقية للعدادات الذكية على مغذي اختبار معياري (IEEE).

4. النتائج التجريبية

تم اختبار إطار العمل على مغذي الاختبار IEEE 37-node باستخدام بيانات عدادات ذكية من لندن لمدة 30 يومًا (بدقة 30 دقيقة). تضمنت المحاكاة أخذ عينات "مونت كارلو" لإدخال حالات فشل عشوائية في روابط الاتصال (حتى 5 حالات فشل متزامنة).

مقاييس الأداء: متوسط الخطأ المطلق (MAE)، جذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE).

المقارنة مع الخطوط المرجعية (Baselines):

الخط المرجعي 1: المسار المقترح ولكن بدون قيود توجيه داخل المجموعة (حيث يمكن للمستشعرات في المجموعة مشاركة المسارات).
الخط المرجعي 2: الاستعادة المباشرة بدون صياغة مصفوفة "بيج" أو قيود LDST.

النتائج الرئيسية:

استعادة الجهد: حققت الطريقة المقترحة تحسنًا متوسطًا بنسبة 7.33% في MAE عبر جميع المجموعات مقارنة بالخط المرجعي 1. وسجلت المجموعة 4 أعلى تحسن بنسبة 11.54%.
استعادة حقن القدرة: حققت الطريقة المقترحة تحسنًا متوسطًا بنسبة 12.93% في MAE. وسجلت المجموعة 1 تحسنًا هائلاً بنسبة 27.75%.
الدقة البصرية: تطابقت السلاسل الزمنية المستعادة للجهد وحقن القدرة بشكل وثيق مع بيانات الحقيقة الأرضية (ground-truth)، حتى في سيناريوهات البيانات المفقودة القصوى.
المتانة: نجح قيد LDST في منع الفقدان الكلي للبيانات داخل أي مجموعة، مما ضمن بقاء قدر كافٍ من البيانات للحفاظ على الهيكل منخفض الرتبة اللازم لعملية OSVT.

5. الأهمية والخاتمة

تعالج هذه الورقة فجوة حرجة في مراقبة الشبكات الذكية: التداخل بين موثوقية الاتصالات ودقة استعادة البيانات. من خلال الإقرار بأن فشل الاتصالات مترابط مكانيًا (يؤثر على المستشعرات التي تشترك في رابط واحد)، يمنع إطار العمل المقترح سيناريوهات فقدان البيانات "الكل أو لا شيء" التي تعطل خوارزميات الاستعادة التقليدية.

الأهمية:

تعزيز رؤية الشبكة: يضمن تزويد المشغلين ببيانات دقيقة وفي الوقت الفعلي حتى أثناء انقطاع الشبكة، مما يسهل اتخاذ قرارات أفضل بشأن موارد الطاقة الموزعة (DERs) واستقرار الشبكة.
القابلية للتوسع: يسمح نهج التجميع (Clustering) للأنظمة بالتوسع إلى شبكات أكبر دون استهلاك موارد حوسبية ضخمة.
التأثير المستقبلي: يقترح المؤلفون أعمالًا مستقبلية حول الشبكات المعرفة برمجياً (SDN) لإعادة التشكيل الديناميكي وتطبيق الطريقة على أنظمة أكبر ذات أنواع مستشعرات متباينة.

باختدال، يتفوق إطار العمل المراعي للاتصالات المقترح بشكل كبير على الطرق التي تتجاهل الاتصالات، وذلك من خلال التصميم الاستباقي لمسارات الاتصال التي تحافظ على تنوع البيانات، مما يتيح استعادة عالية الدقة لقياسات الشبكة المفقودة.