⚡ electrical engineering

Exact and Evolutionary Algorithms for Sequential Multi-Objective Transmission Topology Planning

تقدم هذه الورقة خوارزمية تعداد كتل دقيقة وخوارزمية استدلالية تطورية من نوع (NSGA-III) مصممة خصيصاً لحل مشكلة تخطيط طوبولوجيا النقل متعددة الأهداف والمتسلسلة، مما يثبت أن الطريقة الدقيقة تحسب بكفاءة جبهة باريتو الكاملة لبيانات الشبكة الهولندية الواقعية بينما تعمل كمرجع للحقيقة للمقارنات المستقبلية.

المؤلفون الأصليون: Job Groeneveld, Miguel Muñoz, Jan Viebahn, Alessandro Zocca

نُشر 2026-05-06

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Job Groeneveld, Miguel Muñoz, Jan Viebahn, Alessandro Zocca

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 لعبة "تتريس كهربائية" ضخمة وعالية المخاطر.

في هذه اللعبة، "الكتل" هي الكهرباء التي تتدفق عبر خطوط الطاقة، و"اللوحة" هي الشبكة الوطنية للكهرباء. الهدف هو منع الكتل من التراكم بشكل مفرط (مما يسبب أحمالاً زائدة خطيرة) مع اتباع قواعد صارمة حول كيفية تحريك هذه الكتل.

تتناول هذه الورقة نسخة محددة من هذه اللعبة: كيف ينبغي لمشغل شبكة الطاقة إعادة ترتيب الاتصالات في شبكته على مدار الـ 24 ساعة القادمة لمنع انقطاع التيار الكهربائي والأحمال الزائدة، مع الحفاظ على التكاليف والجهد منخفضين؟

إليك تفصيل قصة الورقة، باستخدام تشبيهات بسيطة:

المشكلة: الشبكة تحت الضغط

فكر في شبكة الكهرباء كأنها نظام طرق سريعة مزدحم. مؤخرًا، تمت إضافة المزيد والمزيد من "السيارات" (الكهرباء من مزارع الرياح والطاقة الشمسية) إلى الطرق. لكن الطرق لم تتوسع بالسرعة الكافية، مما يسبب ازدحاماً مروريًا (اختناقاً).

إذا أصبح الطريق مزدحماً للغاية، يمكن أن يسخن ويتحطم. ولإصلاح ذلك، عادة ما يكون أمام المشغلين خياران:

إيقاف بعض السيارات: إخبار مزارع الرياح بالتوقف عن توليد الطاقة (وهذا يكلف مالاً ويهدر الطاقة الخضراء).
إعادة توجيه حركة المرور: فتح وإغلاق المفاتيح في المحطات الفرعية لتغيير شكل شبكة الطرق، مما يسمح لحركة المرور بالتدفق بسلاسة أكبر.

تركز الورقة على الخيار الثاني. التحدي هو أنه لا يمكنك تغيير الطرق مرة واحدة فقط؛ بل يجب عليك التخطيط لخريطة طريق جديدة لكل ساعة من ساعات اليوم التالي. وعليك الموازنة بين أربعة أهداف متنافسة:

السلامة: إبقاء حمل حركة المرور الأثقل في أدنى مستوياته (حتى لا تنقطع الخطوط).
البساطة: عدم جعل شبكة الطرق معقدة للغاية (عدد أقل من المفاتيح المفتوحة).
الجهد: عدم تغيير خريطة الطريق كثيراً (لأن تغيير التروس يؤدي إلى تآكل الآلات).
الاستقرار: محاولة الحفاظ على خريطة الطريق "الافتراضية" قدر الإمكان، وتغييرها فقط عند الضرورة القصوى.

الحل: نهجان مختلفان

قام المؤلفون ببناء "لاعبين" مختلفين لحل لغز التخطيط لمدة 24 ساعة.

اللاعب الأول: خوارزمية "الكتلة" (المخطط المثالي)

تخيل أنك تحاول حل لغز، لكنك تدرك أن قطع اللغز لا تحتاج إلى التغيير في كل ثانية. إذا كانت حركة المرور خفيفة من الساعة 2:00 صباحاً إلى 4:00 صباحاً، فلا داعة لخطة جديدة للساعة 2:01، 2:02، وهكذا. يمكنك ببساطة الاحتفاظ بنفس الخطة طوال هذه الكتلة الزمنية.

تستخدم خوارزمية الكتلة (Block Algorithm) هذه الحيلة. فبدلاً من التحقق من كل ساعة على حدة، تقوم بتجميع الساعات في "كتل" حيث تظل الخطة ثابتة.

كيف تعمل: إنها تحاول بشكل منهجي تجربة كل التشكيلات الممكنة لهذه "الكتل الزمنية" وتخطيطات الطرق.
النتيجة: تجد القائمة المثالية لجميع الخطط الممكنة "الأفضل". من الناحية الرياضية، هي تجد "جبهة باريتو" (Pareto front). وهذا يعني أنها تعرض على المشغل كل المقايضات الممكنة: "إذا كنت تريد أقصى درمجة من السلامة، فإليك الخطة. إذا كنت تريد التبديل بشكل أقل، فإليك الخطة. إذا كنت تريد التوازن، فإليك الخطة."
السرعة: للمفاجأة، رغم وجود الملايين من الاحتمالات، فإن هذه الخوارزمية ذكية جداً بشأن تجميع الأوقات، لدرجة أنها تحل خطة يوم كامل في أقل من 3 دقائق.

اللاعب الثاني: الخوارزمية التطورية (المستكشف عبر التجربة والخطأ)

هذا اللاعب يشبه محاكي التطور البيولوجي.

كيف تعمل: تبدأ بحشد عشوائي من 1,000 خطة مختلفة. وتسمح لها بـ "التزاوج" (دمج أجزاء من خطتين) و"الطفرة" (تغيير جزء من الخطة عشوائياً). وهي تحتفظ بأفضل الخطط وتتخلص من السيئة منها، وتكرر هذه العملية مراراً وتكراراً.
الهدف: الوصول في النهاية إلى "تطوير" مجموعة من الخطط الجيدة التي تشبه القائمة المثالية.
النتيجة: تصل إلى نتيجة قريبة من القائمة المثالية، لكنها تفقد بعض الخيارات الأفضل. إنها مثل متسلق يحاول العثور على أعلى قمة في سلسلة جبال يلفها الضباب؛ قد يجد قمة عالية، لكنه قد يفتقد القمة الأعلى تماماً لأنه لا يستطيع رؤية الخريطة بأكملها.

المواجهة: من الفائز؟

اختبر المؤلفون كلا اللاعبين باستخدام بيانات حقيقية من شبكة الكهرباء الهولندية (TenneT) في يوم كانت فيه الشبكة تحت ضغط شديد.

المخطط المثالي (خوارزمية الكتلة) فاز. فقد وجد القائمة الكاملة لـ 83 استراتيجية "مثالية" للمقايضة في أقل من 3 دقائق.
المستكشف (الخوارزمية التطورية) جاء في المركز الثاني. فقد وجد بعض الاستراتيجيات الجيدة، لكنه فاتته بعض الخيارات الأفضل. وتحديداً، فشل في العثور على أي خطط يمكنها الحفاظ على سلامة الشبة بنسبة 100% دون تحميل الخطوط فوق طاقتها، بينما وجد المخطط المثالي عدة خطط من هذا النوع.

الخلاصة الكبرى

تدعي الورقة أنه بالنسبة لهذا النوع المحدد من مشاكل شبكة الكهرباء، لست بحاجة إلى التخمين أو استخدام تقريبات الذكاء الاصطناوي "الذكية". نظرًا لأن المشكلة تمتلك هيكلاً "كتلياً" خاصاً (الخطط تظل ثابتة لفترات زمنية)، يمكنك في الواقع حساب الإجابة الدقيقة والمثالية بسرعة كبيرة.

لماذا يهم هذا؟

لمشغلي الشبكة: لديهم الآن أداة تمنحهم قائمة كاملة من الخيارات المثالية للاختيار من بينها، بدلاً من مجرد تخمين.
للأبحاث المستقبلية: يعمل هذا "المخطط المثالي" الآن كـ "معيار ذهبي" (أو الحقيقة الأرضية). أي طريقة جديدة للذكاء الاصطناعي أو التعلم الآلي يتم تطويرها في المستقبل يمكن اختبارها مقابل هذه القائمة لمعرفة ما إذا كانت جيدة حقاً أم أنها كانت مجرد ضربة حظ.

باخت-الاختصار، وجد المؤلفون طريقة لحل لغز شبكة كهرباء معقد لمدة 24 ساعة بشكل مثالي وفوري، مما يثبت أنه في بعض الأحيان، تكون الطريقة القائمة على "القوة الغاشمة" (Brute Force)، عندما تُنفذ بذكاء، أفضل من طريقة التخمين "الذكية".

ملخص تقني: الخوارزميات الدقيقة والتطورية لتخطيط طوبولوجيا النقل المتسلسل متعدد الأهداف

صياغة المشكلة
تتناول الورقة البحثية تخطيط طوبولوجيا النقل لليوم التالي كمسألة تحسين متسلسلة ومتعددة الأهداف. الهدف هو تحديد تسلسل لطوبولوجيا الشبكة على مدى أفق زمني يبلغ 24 ساعة (24 خطوة زمنية) لإدارة ازدحام الشبكة. تُعرف المشكلة بأربعة أهداف تشغيلية تعكس معايير قرار مشغل نظام النقل (TSO) الحقيقية، وجميعها تهدف إلى التقليل (Minimization):

أسوأ حالة لحمل الخط ( $LF_1$ ): الحد الأقصى لاستخدام سعة أي خط نقل تحت ظروف أمن الطوارئ ( $N-1$ ) عبر الأفق الزمني بأكلّه.
العمق الطوبولوجي ( $d$ ): الحد الأقصى لعدد قضبان التوصيل (busbars) الإضافية التي يتم إنشاؤها عن طريق فتح موصلات قضبان التوصيل (تقسيم العقد/node splitting) بالنسبة للطوبولوجيا المرجعية (جميع الموصلات مغلقة) في أي نقطة زمنية.
عدد إجراءات التبديل ( $w$ ): العدد الإجمالي لتغييرات الطوبولوجيا (المفاتيح/switches) التي يتم إجراؤها خلال فترة الـ 24 ساعة.
استخدام الطوبولوجيا غير المرجعية ( $z$ ): عدد الخطوات الزمنية التي تعمل فيها الشبكة بتكوين مختلف عن الطوبولوجيا المرجعية الافتراضية.
تستخدم الدراسة بيانات تشغيلية حقيقية لشبكة الجهد العالي الهولندية التي يديرها مشغل نظام النقل TenneT، مع التركيز على يوم يعاني من ازدحام شديد حيث تتجاوز الطوبولوجيا المرجعية بشكل متكرر نسبة تحميل 100% في ظل ظروف ( $N-1$ ).

المنهجية
يقترح المؤلفون ويقارنون بين خوارزميتين متكاملتين: طريقة التعداد الدقيق وخوارزمية تطورية مصممة خصيصاً.

خوارزمية الكتل (الطريقة الدقيقة):

المفهوم الجوهري: تستغل هذه الخوارزمية البنية الزمنية للكتل (temporal block structure) للاستراتيجيات الممكنة. فبدلاً من تقييم كل خطوة زمنية بشكل مستقل، تقوم بتقسيم أفق الـ 24 ساعة إلى فترات متصلة وغير متداخلة (كتل) تظل فيها الطوبولوجيا ثابتة.
الآلية: تقوم بحصر جميع تكوينات الكتل، وتعيينات الطوبولوجيا المرجعية، ومستويات العمق بشكل منهجي. ومن خلال الحساب المسبق لقيم تدفق الأحمال لجميع الطوبولوجيات المتاحة لكل خطوة زمنية، تقيم الخوارزمية مجموعات الكتل لتحديد جبهة باريتو (Pareto front) الكاملة.
التعقيد: بالنسبة للحدود التشغيلية الثابتة للعمق الأقصى ( $d_{max}$ ) والحد الأقص ت لعدد التبديلات ( $s_{max}$ )، ينمو عدد التقييمات بشكل متعدد الحدود مع أفق التخطيط. تقوم الخوارزمية بتصفية الاستراتيجيات بناءً على التصنيف غير المسيطر (non-dominated sorting)، مستفيدة من حقيقة أن ثلاثة من الأهداف الأربعة هي أعداد صحيحة منفصلة لتحديد الحلول المثلى لباريتو بكفاءة.

الخوارزمية التطورية متعددة الأهداف (MOEA):

الإطار العملي: تعتمد على خوارزمية NSGA-III، والتي تم اختيارها لفعاليتها في المسائل متعددة الأهداف (أربعة أهداف).
التمثيل: تستخدم ترميزاً مباشراً متغير الطول حيث يمثل كل جين طوبولوجيا محددة لخطوة زمنية معينة.
التهيئة: تستخدم استراتيجية أخذ عينات "موجهة بالبنية" بدلاً من التهيئة العشوائية الموحدة. فهي تولد جمهرات أولية من خلال موازنة أعداد مفاتيح التبديل وعمق الطوبولوجيا لضمان التنوع في أبعاد فضاء الأهداف ذات الصلة.
التنوع (Variation): تستخدم تقاطع $k$ -point (مع $k=2$ ) للحفاظ على التماسك الزمني، و"إعادة الضبط العشوائي" (random-reset mutation) لضمان الإمكانية ضمن مجموعة الطوبولوجيات المتاحة لكل خطوة زمنية.

المساهمات الرئيسية

الصياغة: تم تعريف المشكلة رسمياً كمسألة تحسين متسلسلة متعددة الأهداف بأربعة أهداف محددة ذات صلة بمشغلي أنظمة النقل، متجاوزةً بذلك الصياغات أحادية الهدف أو الصياغات المعزولة لكل خطوة زمنية.
التعداد الدقيق: تطوير "خوارزمية الكتل"، التي تحسب جبهة باريتو الكاملة ليوم مزدحم حقيقي في أقل من ثلاث دقائق. وهي توفر معياراً مرجعياً (ground-truth benchmark) لهذه الفئة من المسائل.
الخوارزمية الاستدلالية المصممة: تصميم خوارزمية MOEA متخصصة ذات تهيئة موجهة بالبنية وعوامل تنوع خاصة بالمشكلة، تم تقييمها مقابل الجبهة الدقيقة باستخدام مقياس المسافة المقلوبة المضافة (IGD+) ومقياس تغطية الجبهات المتعددة الجديد.
التحقق التجريبي: دراسة مقارنة باستخدام بيانات TenneT أظهرت أن التعداد الدقيق ناجح في استعادة كامل مجموعة الاستراتيجيات المثلى، متفوقاً على البحث التطوري.

النتائج

أداء خوارزمية الكتل: نجحت الطريقة الدقيقة في حصر جبهة باريتو الكاملة، حيث حددت 83 نقطة فريدة في فضاء الأهداف (تمثل 163,807,652 استراتيجية متميزة). ووجدت أن تحقيق $LF_1 < 100\%$ (أمن $N-1$ كامل) يتطلب التخلي عن الطوبولوجيا المرجعية تماماً خلال الساعات المزدحمة والعمل عند مستويات عمق طوبولوجي أعلى.
أداء خوارزمية MOEA: تقاربت الخوارزمية التطورية نحو جبهة باريتو لكنها فشلت في استعادة المجموعة الدقيقة من الحلول.
- استعادت أفضل التكوينات أداءً (حجم الجمهرة 1,621، معدل الطفرة 0.10) حوالي 6% فقط من النقاط الفريدة المثلى لباريتو التي وجدتها خوارزمية الكتل.
- واجهت خوارزمية MOEA صعوبة في إيجاد حلول تحقق $LF_1 < 100\%$ ، والتي حددتها الطريقة الدقيقة.
- كانت التغطية منخفضة بشكل خاص للاستراتيجيات التي تتضمن العديد من الطوبولوجيا غير المرجعية (المناطق المتطرفة في فضاء البحث).
المقارنة: بينما أظهرت خوارزمية MOEA تقارباً أولياً سريعاً (خلال 5 دقائق)، إلا أنها وصلت إلى مرحلة الثبات (plateau) ولم تستطع مضاهاة اكتمال خوارزمية الكتل. إن قدرة خوارزمية الكتل على حصر جميع الاستراتيجيات الممكنة سمحت لها بتحديد المقايضات التي فاتتها الخوارزمية الاستدلالية.

الأهمية والادعاءات
تدعي الورقة أن التعقيد التوليفي لتحسين الاستراتيجيات الطوبولوجية على مدى 24 ساعة، والذي يُنظر إليه غالباً على أنه مستعصٍ حسابياً، يمكن حله بدقة وكفاءة من خلال استغلال بنية الكتل الزمنية للمشكلة.

دعم القرار: توفر خوارزمية الكتل لمشغلي أنظمة النقل قائمة كاملة من الاستراتيجيات المثلى لباريتو، مما يسمح للمشغلين باختيار الإجراءات بناءً على أولويات يومية محددة (مثل تقليل التبديلات مقابل تعظيم الأمن).
المعيارية: تعمل الجبهة الدقيقة كمعيار مرجئي صارم لتقييم الطرق الاستدلالية أو المعتمدة على التعلم المستقبلية.
الجدوى: تثبت الدراسة أن التعداد الدقيق ليس ممكناً نظرياً فحسب، بل هو قابل للتطبيق عملياً لسيناريوهات الشبكات الحقيقية عالية الازدحام، مما يتحدى الافتراض القائل بأن الخوارزميات الاستدلالية ضرورية تماماً لهذه المسائل.

يقر المؤلفون بوجود قيود، بما في ذلك استخدام تقريبات تدفق القدرة المستمرة (DC power flow)، والتوقعات الحتمية، والاعتماد على مجموعات البيانات المحسوبة مسبقاً. ويقترحون أن العمل المستقبلي يمكن أن يتضمن صياغات عشوائية (stochastic)، وتحسيناً متيناً (robust optimization)، وتطبيق تعلم التقليد (imitation learning) لتجاوز عقبة الحساب المسبق. ومع ذلك، ضمن نطاق هذه الدراسة، تُقدم خوارزمية الكتل باعتبارها الطريقة المفضلة لدقتها، سرعتها، واكتمالها.