⚡ electrical engineering

PowerSINDy: Identifying Nonlinear Time-Dependent Dynamics in Power Grid Frequency

يقدم هذا البحث PowerSINDy، وهو إطار عمل يحدد بنجاح الديناميكيات غير الخطية والزمنية في بيانات تردد شبكة الطاقة من العالم الحقيقي من أوروبا القارية وكوريا الجنوبية، مع مقارنة استراتيجيات الانحدار المعززة للندرة لتحديد أن LASSO يحقق أدنى خطأ وأن STLSQ يقدم أفضل توازن بين الدقة والاستقرار.

المؤلفون الأصليون: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xinyi Wen, Xiao Li, Leonardo Rydin Gorjão, Veit Hagenmeyer, Benjamin Schäfer

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 الكهربائية كأنها أوركسترا ضخمة ومعقدة. "تردد" الكهرباء (عادةً 50 أو 60 نبضة في الثانية) هو إيقاع المايسترو. إذا ظل الإيقاع ثابتاً، تبدو الموسيقى مثالية. أما إذا تسارع أو تباطأ، فهذا يعني أن العازفين (مولدات الطاقة) والجمهور (مستخدمي الكهرباء) ليسوا في تناغم تام.

لفترة طويلة، حاول العلماء كتابة "النوتة الموسيقية" (المعادلات الرياضية) لهذه الأوركسترا باستخدام قواعد بسيطة. لكن شبكات الطاقة الحديثة فوضوية؛ فهي تحتوي على طاقة رياح وطاقة شمسية تأتي وتذهب، وتتفاعل بطرق معقدة وغير خطية. القواعد القديمة البسيطة لا تستطيع استيعاب الصورة الكاملة.

تقدم هذه الورقة أداة جديدة تسمى PowerSINDy لاكتشاف "النوتة الموسيقية" الحقيقية بمجرد الاستماع إلى تسجيل الأوركسترا، دون الحاجة لمعرفة تفاصيل كل آلة موسيقية مسبقاً.

إليك كيف فعلوا ذلك، مشروحاً ببساطة:

1. التحدي: تسجيل مليء بالضجيج

تخيل محاولة تدوين نوتة أغنية من تسجيل يحتوي على تشويش، وصوت رياح، وأصوات أشخاص يتحدثون في الخلفية. إذا حاولت تدوين النوتات فوراً، فستخطئ في كتابتها.

حل الورقة البحثية: قبل محاولة إيجاد القواعد، استخدموا "سماعات عازلة للضجيج" (مرشح رياضي يسمى مرشح غاوس - Gaussian filter) لتنقية البيانات. اختبروا مستويات مختلفة من التنقية لإيجاد "النقطة المثالية" حيث يختفي الضجيج، ولكن يظل إيقاع الموسيقى الفعلي واضحاً. ووجدوا أن تنعيم البيانات عبر نافذة زمنية مدتها 60 ثانية كان هو الأفضل.

2. العمل الاستقصائي: PowerSINDy

بمجرد تنقية البيانات، استخدموا طريقة تسمى SINDy (التعريف المتناثر للديناميكيات غير الخطية).

التشبيه: تخيل أن لديك صندوق أدوات ضخم مليء بكل الأشكال الرياضية الممكنة التي يمكنك استخدامها لبناء نموذج (خطوط مستقيمة، منحنيات، موجات، مربعات، مكعبات، إلخ).
الهدف: تريد بناء نموذج يتنبأ بسلوك الشبكة، ولكنك تريد استخدام أقل عدد ممكن من الأدوات التي ستستخدمها لبناء النموذج. أنت لا تريد نموذجاً يستخدم 1000 أداة لشرح حركة أرجوحة بسيطة؛ بل تريد الأدوات الثلاث أو الأربع التي تهم حقاً. وهذا ما يسمى بـ "التناثر" (Sparsity).
التطوير: أدرك المؤلفون أن الأدوات القياسية (الخطوط المستقيمة والمنحنيات البسيطة فقط) لم تكن كافية لشبكات الطاقة. لذا، أضافوا حدود فورييه (موجات رياضية) إلى صندوق الأدوات. سمح لهم هذا بالتقاط "التموجات" والاهتزازات الطبيعية في تردد الشبكة التي قد تغفل عنها المنحنيات البسيطة.

3. الحكام الثلاثة (المحسنات)

لتحديد الأدوات التي يجب الاحتفاظ بها والتي يجب التخلص منها، استخدموا ثلاثة "حكام" (استراتيجيات رياضية) لاختيار أفضل نموذج. واختبروا هؤلاء الحكام على بيانات حقيقية من "أوركسترين" مختلفين:

أوروبا القارية (CE): شبكة ضخمة ومترابطة ذات عطالة عالية (مثل حدافة ضخمة وثقيلة).
كوريا الجنوبية (SK): شبكة أصغر، أكثر دمجاً، وتدار مركزياً.

الحكام الثلاثة هم:

LASSO: "القناص الدقيق". يقوم بقص أي شيء ليس ضرورياً تماماً وبشكل عدواني.
STLSQ: "اليد الثابتة". يتبع نهجاً خطوة بخطوة، حيث يفحص ويعيد الفحص للتأكد من أن النموذج لا ينهار.
SR3: "المفكر المرن". يحاول الموازنة بين ملاءمة البيانات بدقة وبين الحفاظ على بساطة النموذج، ولكنه قد يكون متقلب المزاج.

4. النتائج: من الفائز؟

أجرى الباحثون آلاف الاختبارات لمعرفة أي حكم أنتج أكثر "النوتات الموسيقية" دقة واستقراراً.

الفائز في الدقة (LASSO): وجد LASSO باستمرار المعادلات الأكثر دقة. فقد أنتج أقل معدلات خطأ، مما يعني أن النموذج الذي بناه طابق بيانات العالم الحقيقي بشكل أفضل من الآخرين. كان بارعاً بشكل خاص في إيجاد التفاعلات المعقدة وغير الخطية (مثل كيفية تأثير جزءين مختلفين من الشبكة على بعضهما البعض).
الفائز في الاستقرار (STLSQ): بينما كان LASSO هو الأكثر دقة، كان STLSQ هو الأكثر موثوقية. نادراً ما أنتج نماذج "تنهار" أو تصبح مجنونة عند محاكاة المستقبل. لقد قدم أفضل توازن بين الدقة والأمان.
الورقة الرابحة غير المتوقعة (SR3): كان هذا الحكم غير متسق. أحياناً كان يؤدي بشكل جيد، لكنه كان حساساً جداً لكيفية إعداده. مال إلى الاحتفاظ بالكثير من الأدوات في صندوق الأدوات، مما جعل النماذج أكثر تعقيداً ويصعب فهمها.

5. ماذا تعلموا؟

الأكبر ليس دائماً الأفضل: عندما حاولوا جعل النماذج شديدة التعقيد (باستاستخدام معادلات تكعيبية)، أصبحت النماذج غير مستقرة وبدأت في "التباعد" (أي الخروج عن السيطرة).
الموجات مهمة: إضافة حدود الموجات (فورييه) ساعدت النماذج على التعامل مع الاهتزازات الطبيعية للشبكة دون جعل الرياضيات معقدة للغاية.
"السر الخفي": في أفضل النماذج، وجدوا أن تفاعلات محددة بين زاوية الشبكة وسرعتها (رياضياً تسمى $\theta\omega$ و $\theta\omega^2$ ) كانت حاسمة. هذه هي القواعد الخفية التي تحافظ على استقرار الشبكة.

الخلاصة

تظهر الورقة أنه من خلال تنقية البيانات بعناية واستخدام "المحقق" الرياضي المناسب (تحديداً LASSO للدقة أو STLSQ للاستقرار)، يمكننا اكتشاف القوانين غير الخطية الخفية التي تحكم سلوك شبكات الطاقة. يساعدنا هذا في فهم الشبكة بشكل أفضل من النماذج المبسطة القديمة، وذلك باستخدام بيانات من العالم الحقيقي من أوروبا وكوريا الجنوبية.

ملخص تقني: PowerSINDy لديناميكيات تردد شبكة الطاقة

بيان المشكلة
يعتمد التشغيل المستقر لأنظمة الطاقة الحديثة بشكل كبير على التوصيف الدقيق لديناميكيات تردد الشبكة، والتي تعكس التوازن بين التوليد والطلب. غالبًا ما تعتمد نماذج المحاكاة التقليدية، مثل معادلة التأرجح المجمعة (aggregated swing equation)، على افتراضات خطية ومعاملات فيزيائية مبسطة تكون غير كافية لالتقاط السلوكيات المعقدة وغير الخطية والزمنية التي تفرضها مستويات اختراق الطاقة المتجددة العالية والتقلبات العشوائية. وبينما توفر أساليب تحديد الأنظمة مثل "تحديد الديناميكيات غير الخطية باستخدام البيانات المتفرقة" (SINDy) بديلًا قائمًا على البيانات للكشف عن المعادلات الحاكمة، إلا أن تطبيقها على بيانات شبكات الطاقة الواقعية لا يزال محدودًا. لقد ركزت الدراسات الحالية بشكل كبير على البيانات الاصطناعية، مما ترك تساؤلات مفتوحة بشأن أداء SINDy على مجموعات البيانات التجريبية المعقدة والمشوبة بالضجيج، وكذلك بشأن المقايضات بين استراتيجيات الانحدار المختلفة التي تعزز التفرق (sparsity-promoting).

المنهجية: إطار عمل PowerSINDy
يقترح المؤلفون PowerSINDy، وهو إطار عمل مصمم لتحديد الديناميكيات غير الخطية والزمنية في بيانات تردد أنظمة الطاقة. تتضمن المنهجية ثلاث مراحل رئيسية:

معالجة البيانات وتنعيمها:
تم تحليل بيانات التردد عالية الدقة (بدقة 1 ثانية) من شبكتين متزامنتين متميزتين — شبكة أوروبا القارية (CE) (50 هرتز) وشبكة كوريا الجنوبية (SK) (60 هرتز). ولعزل الديناميكيات الحتمية عن الضجيج العشوائي، تم تطبيق مرشح غاوسي (Gaussian filter). تم تحديد معامل التنعيم الأمثل ( $\sigma$ ) عن طريق تقليل جذر متوسط مربع الخطأ (RMSE) بين مسارات المحاكاة لـ SINDy والبيانات التجريبية الأصلية. وحددت الدراسة أن $\sigma = 60$ (نافذة زمنية قدرها 60 ثانية) هي التوازن الأمثل بين كبح الضجيج والحفاظ على الميزات.
بناء مكتبة المرشحات:
على عكس تطبيقات SINDy القياسية التي تعتمد فقط على كثيرات الحدود، يقوم PowerSINDy بتوسيع مكتبة الدوال المرشحة لتمثيل ديناميكيات شبكة الطاقة بشكل أفضل. تتضمن المكتبة:

حدود كثيرات الحدود: حتى الدرجة التربيعية ( $p2$ ) والتكعيبية ( $p3$ ) لالتقاط الارتباطات غير الخطية.
حدود فوريه (Fourier terms): دوال الجيب وجيب التمام من الدرجة الأولى ( $p2f1$ ) لتمثيل السلوكيات التذبذبية المتأصلة في الشبكات المتزامنة.
الحدود المعتمدة على الزمن: الإدراج الصريح للزمن ( $T$ ) وحدود التفاعل التي تتضمن الزمن لمراعاة الإشارات الحتمية المدفوعة بمنحنيات الأحمال وجداول التوليد.

استراتيجيات الانحدار المتفرق:
يقوم إطار العمل بمقارنة ثلاث استراتيجيات تحسين متميزة لحل مشكلة الانحدار المتفرق $\dot{X} = \Theta(X)\Xi$ :

المربعات الصغرى ذات العتبة المتتالية (STLSQ): تحل المربعات الصغرى بشكل متكرر وتضع عتبات للمعاملات الصغيرة.
لاسو (LASSO): يستخدم عقوبة $L1$ لتقليص المعاملات إلى الصفر.
الانحدار المنتظم المسترخى المتفرق (SR3): يقدم متغيرًا مساعدًا ومعلمة استرخاء لفصل ملاءمة البيانات عن فرض التفرق، وقد تم اختباره باستخدام معايير $L0$ و $L1$ و $L2$ .

النتائج الرئيسية
قيمت الدراسة إطار العمل عبر مسارات مدتها 15 دقيقة من مجموعات بيانات CE وSK، مع مقارنة دقة النموذج (RMSE مستقر)، ونسب الاستقرار (نسبة المسارات غير المتباعدة)، والتعقيد الهيكلي (عدد الميزات النشطة).

أداء المحسنات (Optimizer Performance):
- حقق LASSO باستمرار أدنى جذر متوسط مربع خطأ (RMSE) مستقر عبر جميع التكوينات. بالنسبة لمجموعة بيانات CE مع كثيرات الحدود التكعيبية ( $p3$ )، وصل LASSO إلى حد أدنى لـ RMSE قدره 0.0101. كما أنتج النماذج الأكثر تفرقًا (الأكثر بساطة)، خاصة في التكوينات ذات الرتب المنخفضة.
- أظهر STLSQ أعلى استقرار، حيث تجاوزت نسب الاستقرار كثيرًا 0.79 في الإعدادات التربيعية ( $p2$ ). لقد قدم أفضل توازن بين الدقة والموثوقية، وإن كان مع RMSE أعلى قليلاً من LASSO.
- أظهر SR3 أعلى قدر من التباين والحساسية للمعلمات الفائقة وخصائص مجموعة البيانات. ومن الجدير بالذكر أن معايير $L0$ و $L1$ في SR3 أنتجت نتائج لا يمكن تمييزها تقريبًا من حيث RMSE والاستقرار. تدهور أداء SR3 بشكل كبير في تكوينات ( $p3$ )، خاصة بالنسبة لمجموعة بيانات SK، حيث انخفضت نسب الاستقرار إلى أقل من 0.52.
تعقيد النموذج واختيار المكتبة:
- وفرت نماذج الدرجة التربيعية ( $p2$ ) حلولاً مستقرة مع RMSE منخفض (~0.016) عبر كلتا مجموعتي البيانات.
- أدت نماذج الدرجة التكعيبية ( $p3$ ) إلى تحسين الدقة لمجموعة بيانات CE (RMSE 0.0101) ولكنها قللت من الاستقرار، مما أدى إلى تباعد المسارات بشكل أسرع.
- وفرت النماذج المعززة بفوريه ( $p2f1$ ) حلاً وسطًا، حيث حافظت على أداء قوي (RMSE ~0.016) واستقرار عبر كلتا مجموعتي البيانات دون عدم الاستقرار المرتبط بكثيرات الحدود ذات الرتب العالية.
- تحليل الميزات: فرض LASSO باستمرار أكثر التمثيلات اقتصادًا (حوالي 6 ميزات نشطة لـ $p2$ )، بينما مال SR3 إلى اختيار نماذج أكثر كثافة (حوالي 14 ميزة نشطة لـ $p3$ ).
اختلافات مجموعات البيانات:
حققت شبكة CE، التي تتميز بقصور ذاتي عالٍ وترابط وثيق، عمومًا RMSE أقل ونسب استقرار أعلى مقارنة بشبكة SK، التي تمتلك قصورًا ذاتيًا أقل وطبوغرافيا أكثر اندماجًا. يشير هذا إلى أن خصائص البيانات الجوهرية تؤثر على قابلية استعادة النموذج أكثر من عدم الاستقرار الخوارزمي.

الأهمية والادعاءات
يزعم البحث أن PowerSINDy ينجح في تحديد المعادلات الحاكمة لديناميكيات تردد شبكة الطاقة المعقدة والواقعية، متجاوزًا قيود النماذج الخطية التقليدية. وتوضح الدراسة أن:

التحديد القائم على البيانات يمكن أن يتفوق على خطوط الأساس العشوائية (Euler–Maruyama)، محققًا قيم RMSE أقل (على سبيل المثال، 0.0101 مقابل 0.0282 لخط الأساس في CE).
اختيار المحسن أمر بالغ الأهمية: يُعد LASSO متفوقًا من حيث الدقة والتفرق، بينما يُفضل STLSQ من أجل الاستقرار في التكوينات المعقدة.
تصميم المكتبة مهم: يسمح إدراج حدود فوريه بالتمثيل القوي للديناميكيات التذبذبية دون مخاطر الإفراط في التخصيص (overfitting) المرتبطة بكثيرات الحدود ذات الرتب العالية.
الرؤية الفيزيائية: تسلط النماذج المحددة الضوء على أهمية التفاعلات غير الخطية المحددة (مثل $\theta\omega$ و $\theta\omega^2$ ) في التقاط ديناميكيات النظام، مما يوفر رؤى قابلة للتفسير في الآليات التي تقود سلوك تردد الشبكة.

يخلص المؤلفون إلى أنه بينما يظهر إطار العمل واعدًا، فإن المقايضة بين التعبير عن النموذج (الحدود ذات الرتب العالية) والاستقرار تظل تحديًا رئيسيًا. ويُقترح في العمل المستقبلي استكشاف المعلمات المتغيرة مع الزمن، والصيغ التكيفية للمراقبة في الوقت الفعلي، ودمج الأولويات الفيزيائية لإنشاء نماذج هجينة.