Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels
تُثبت هذه الورقة أن شبكة الانتباه الرسومي المكاني-الزماني (STGATv2) تتفوق بشكل كبير على النماذج الزمنية البحتة، والمكانية البحتة، ونماذج تعلم الآلة التقليدية في تحديد موقع الأعطال عبر مستويات متفاوتة من اختراق موارد الطاقة الموزعة (DER)، لا سيما من خلال الحفاظ على قدرة قوية على التعميم والمرونة تجاه الضجيج عند التدريب على سيناريوهات الاختراق العالي.
المؤلفون الأصليون:Burak Karabulut, Olayiwola Arowolo, Carlo Manna, Chris Develder, Jochen L. Cremer
تخيل الشبكة الكهربائية كأنها مدينة طاقة عملاقة وغير مرئية، حيث تتدفق الطاقة مثل الماء عبر شبكة معقدة من الأنابيب. لعقود من الزمن، كانت هذه المدينة عبارة عن شارع ذي اتجاه واحد: محطات طاقة ضخمة عند الأطراف ترسل الكهرباء مباشرة إلى المنازل والمصانع. لكن اليوم، تتغير هذه المدينة. فالألواح الشمسية فوق الأسطح، وتوربينات الرياح في الأفنية الخلفية، وحزم البطاريات بدأت تظهر في كل مكان، مما يحول الجيران إلى محطات طاقة صغيرة. هذا أمر رائع للكوكب، لكنه يحول الشبكة إلى شارع مزدحم ذي اتجاهين. عندما يحدث "تماس كهربائي" (عطل) — مثل انكسار غصن شجرة لأسلاك — لا تتدفق الكهرباء في اتجاه واحد فقط بعد الآن؛ بل ترتد من هذه المصادر الجديدة، مما يجعل من الصعب للغاية على "أطباء" الشبكة تحديد مكان الإصابة بدقة. وإذا لم يتمكنوا من العثور على العطل بسرعة، فستظل الأضواء مطفأة لفترة أطول، وتعاني المدينة بأكملها. يحاول العلماء تعليم الحواسيب أن تكون محققين أفضل، باستخدام رياضيات تفهم كلاً من خريطة الأنابيب (المكانية) وكيفية اندفاع المياه عبرها بمرور الوقت (الزمانية).
تتحدث هذه الورقة البحثية عن تعليم نوع جديد من المحققين الحاسوبيين، يسمى "الشبكة العصبية الرسومية المكانية-الزمانية" (وتحديداً نموذج يسمى STGATv2)، للعثبات عن هذه الأعطال الكهربائية حتى عندما تكون الشبكة مغمورة بهذه المصادر الجديدة وغير المتوقعة للطاقة. قام الباحثون بمحاكاة شبكة كهربائية قياسية (IEEE 123-bus feeder) وحقنوا فيها "أعطالاً"، ثم اختبروا مدى جودة النماذج الحاسوبية المختلفة في رصد المشكلة. قارنوا محققهم الجديد بالأساليب القديمة: أحدها ينظر فقط إلى الخريطة (المكاني)، والآخر ينظر فقط إلى توقيت الاندفاع (الزماني)، بالإضافة إلى بعض الحيل الرياضية التقليدية. اختبروا هذه النماذج تحت ثلاثة سيناريوهات مختلفة لكثافة "الطاقة الخضراء": 10%، 25%، و50% من إجمالي الحمل.
تظهر النتائج أن المحقق الجديد، STGATv2، هو الفائز الواضح. فعندما تم تدريب الحاسوب على بيانات تطابق ظروف الاختبار، أصاب الإجابة الصحيحة بنسبة تتراوح بين 92% إلى 94%. لكن السحر الحقيقي حدث عندما اختبروا قدرته على التكيف مع التغييرات التي لم يسبق له رؤيتها. وجد الباحثون أن "التعميم" هو طريق ذو اتجاه واحد. إذا دربت النموذج على شبكة تحتوي على الكثير من الطاقة الخضراء (انتشار بنسبة 50%)، فإنه يظل ذكياً حتى عندما تحتوي الشبكة على قدر أقل (10% أو 25%). إنه يشبه المحقق الذي تعلم حل الجرائم في مدينة صاخبة ومزدحمة؛ يمكنه لاحقاً حل الجرائم بسهء في بلدة هادئة وفارغة. ومع ذلك، إذا دربت النموذج على شبكة هادئة (انتشار بنسبة 10%) ثم ألقيت به في واحدة صاخبة (انتشار بنسبة 50%)، فسيصاب بالارتباك. النماذج القديمة (التي تنظر فقط إلى الوقت أو فقط إلى الخريطة) انهارت بشدة في هذه الحالة، حيث انخفضت دقتها إلى نطاق 69%–75%. أما STGATv2، فقد حافظ على ثباته، وظل دقيقاً بنسبة 81%–84% حتى في حالة الفوضى.
كما قامت الورقة أيضاً بمحاكاة "الضجيج"، وهو يشبه التشويش على الراديو أو يوماً ضبابياً للحساسات. القياسات في العالم الحقيقي ليست مثالية أبداً. وعندما أضافوا هذا الضجيج إلى المحاكاة، انهار النموذج الذي ينظر إلى الوقت فقط (المسمى GRU) تماماً، حيث انخفضت دقته إلى ما دون 33.5% في بعض الحالات. كان الأمر أشبه بمحقق لا يستطيع سماع الهمس وسط صوت مروحة عالية. أما STGATv2، الذي يفهم كلاً من الخريطة والتوقيت، فقد حافظ على هدوئه، وظلت دقته فوق 85%. وهذا يشير إلى أنه بالنسبة لمستقبل شبكاتنا الكهربائية، فإن أفضل طريقة للعثور على الأعطال ليست مجرد مراقبة تغير الأرقام بمرور الوقت أو مجرد النظر إلى الخريطة؛ بل هي امتلاك محقق يفهم كيف يعمل الاثنان معاً، خاصة عندما تكون الشبكة مليئة بالطاقة المتجددة غير المتوقعة.
ملخص تقني: تقييم تعميم الشبكات العصبية الرسومية لتحديد موقع الأعطال عبر مستويات متزايدة من تغلغل موارد الطاقة الموزعة
بيان المشكلة
يعد التحديد الدقيق لموقع العطل أمراً جوهرياً لضمان موثوقية شبكات توزيع الطاقة. ومع ذلك، فإن التكامل المتزايد لموارد الطاقة الموزعة (DERs)، مثل الخلايا الكهروضوئية وطاقة الرياح وتخزين البطاريات، يعقد هذه المهمة. إذ تفرض هذه الموارد تذبذباً، وتدفقات طاقة ثنائية الاتجاه، وأنماط انتشار أعطال متغيرة، مما يعيد تشكيل بصمات الأعطال التقليدية. وبينما ظهرت الأساليب القائمة على البيانات لمعالجة هذه التحديات، فإن الأدبيات الحالية غالباً ما تغفل هيكلية الشبكة الأساسية وعدم تجانس الاتصال الكهربائي بين الحافلات (Buses). علاوة على ذلك، هناك نقص في الدراسات الصارمة حول كيفية أداء وتعميم الشبكات العصبية الرسومية الزمانية-المكانية (STGNNs) تحت مستويات متزايدة ومتغيرة من تغلغل موارد الطاقة الموزعة، لا سيما عند الانتقال من سيناريوهات التغلغل المنخفض إلى التغلغل العالي.
المنهجية
يقترح المؤلفون تقييماً منهجياً لشبكة انتباه رسومية زمانية-مكانية (STGATv2) مصممة لنمذجة الاعتمادات المكانية والزمانية بشكل مشترك في شبكات التوزيع.
توليد البيانات والمحاكاة:
المنصة: تم توليد بيانات اصطناعية باستخدام OpenDSS وPyDSS على مغذي IEEE 123-bus بعد إعادة تكوينه.
التكوين: تم تعديل المغذي عن طريق فتح مفتاح الربط عند (60, 160) وإغلاق المفتاح عند (54, 94) لخلق تغيرات جهد أكثر دقة.
تغلغل موارد الطاقة الموزعة (DER): تم اختبار النماذج عبر ثلاثة مستويات من التغلغل (10%، 25%، و50% من إجمالي الحمل) باستخدام الطاقة الكهروضوئية، والرياح، وأنظمة تخزين البطاريات (BESS). تم استخدام استراتيجيتين للوضع: الموضعي (منحاز مكانياً) والمشتت (توزيع منتظم).
سيناريوهات الأعطال: تمت محاكاة 25 موقعاً للعطل مع جميع أنواع الـ 11 لدوائر القصر. تميزت الأعطال بمقاومات متوسطة إلى عالية (10–100 Ω) وفترات قصيرة (20 مللي ثانية)، مما أدى إلى انخفاضات طفيفة في الجهد (1–30 فولت).
الضجيج: تم إدخال ضجيج قياس واقعي عبر اضطرابات غاوسية ذات متوسط صفري عند نسب إشارة إلى الضجيج (SNRs) تبلغ 50 ديسيبل و45 ديسيبل.
بنية النموذج: تعالج خطوط المعالجة المقترحة (STGATv2) البيانات في ثلاث مراحل:
الاستخراج الزماني: تقوم وحدة (GRU) بمعالجة نوافذ السلاسل الزمنية لجهد الجذر التربيعي المتوسط (RMS) لكل طور لكل عقدة لتوليد تمثيلات زمنية كامنة.
الاستخراج المكاني: تقوم طبقة شبكة الانتباه الرسومية المحسنة (GATv2) بتجميع هذه التضمينات الزمنية. وبخلاف الشبكات العصبية الرسومية ذات الأوزان الثابتة، تقوم GATv2 بوزن العقد المجاورة تكيفياً بناءً على أهميتها النسبية، مما يلتقط بصمات الأعطال المتطورة في الشبكات النشطة.
التصنيف: يتم تجميع تنبؤات مستوى العقدة باستخدام التصويت الناعم (Soft Voting) لتحديد موقع العطل النهائي أو حالة "عدم وجود عطل".
النماذج المرجعية (Baselines): تقارن الدراسة STGATv2 بالنماذج التالية:
النموذج الزماني الصرف: نموذج GRU مستقل.
النموذج المكاني الصرف: نموذج GATv2 حيث يتم تسطيح النوافذ الزمنية إلى ناقلات ميزات.
التعلم الآلي التقليدي: الغابة العشوائية (RF) وآلات ناقلات الدعم (SVM) مع تحليل المكونات الرئيسية (PCA).
المساهمات الرئيسية
المقارنة المرجعية المنهجية: توفر الورقة مقارنة كمية للنماذج الزمانية-المكانية، والمكانية الصرفة، والزمانية الصرفة تحت نقاط حقن متعددة لموارد الطاقة الموزعة ومستويات تغلغل متغيرة.
تحليل التعميم: تقيم الورقة بدقة أداء النموذج عند التدريب والاختبار عبر مستويات مختلفة من تغلغل موارد الطاقة الموزعة (على سبيل المثال، التدريب عند 10% والاختبار عند 50%)، وهو سيناريو غالباً ما يتم تجاهله في الدراسات الحالية.
تقييم المتانة تجاه الضجيج: تعزل الدراسة تأثير ضجيج القياس على دقة تحديد موقع العطل، وتفحص تحديداً كيف تساعد الوعي الطوبولوجي في تصفية الضجيج في ظل ظروف الأعطال الطفيفة.
النتائج
الأداء ضمن التوزيع (In-Distribution):
تفوقت STGATv2 باستمرار على جميع النماذج المرجعية، محققة درجات F1 كلي (Macro F1) تتراوح بين 92% و94% عند التدريب والاختبار عند نفس مستوى التغلغل.
تفوقت بشكل كبير على نموذج GATv2 المكاني الصرف (بفارق 5-10 نقاط) ونموذج GRU الزماني الصرف (بفارق 8-19 نقطة)، مما يشير إلى أن النمذجة المشتركة للزمان والمكان تتفوق على نمذجة أي منهما بشكل منفصل.
التعميم عبر مستويات التغلغل:
التعميم غير المتماثل: وجدت الدراسة أن التعميم غير متماثل للغاية. فالنماذج المدربة عند التغلغل العالي (50%) احتفظت بأداء قريب من أداء التوزيع الأصلي عند اختبارها عند المستويات الأدنى (10% أو 25%)، مع انخفاض لا يتجاوز 4 نقاط.
الانتقال من المنخفض إلى العالي: على العكس من ذلك، عانت النماذج المدربة عند التغلغل المنخفض (10%) من تدهور كبير عند اختبارها عند التغلغل العالي (50%).
حافظت STGATv2 على درجة F1 تتراوح بين 81-84% تحت هذه التحولات الجذرية.
انخفضت GATv2 إلى 69-74% (درجة F1).
انخفضت GRU إلى 73-75% (درجة F1).
تدهورت النماذج المرجعية للتعلم الآلي التقليدي (RF, SVM) بشدة (لتصل إلى ~47-60% F1) تحت مستويات التغلغل غير المرئية، مما يبرز عدم قدرتها على التكيف مع تحولات التوزيع.
تأثير ضجيج القياس:
تحت ضجيج 45 ديسيبل، حافظت STGATv2 على أداء قوي (>85% F1).
عانى نموذج GRU الزماني الصرف من أكبر تدهور، حيث انخفض إلى 33.5% F1 في التكوين المشتت، مما يثبت عدم قدرته على التمييز بين أنماط الأعطال والضجيج دون سياق طوبولوجي.
انخفض أداء GATv2 أيضاً بشكل ملحوظ (إلى ~74% F1)، مفتقراً إلى الذاكرة الزمنية للتمييز بين ديناميكيات الأعطال.
الأهمية والادعاءات
تدعي الورقة أن دمج الوعي الطوبولوجي (المكاني) مع الديناميكيات الزمنية أمر بالغ الأهمية لتحديد موقع الأعطال بمتانة في شبكات التوزيع النشطة. وتحديداً:
تفوق النمذجة المشتركة: تؤكد النتائج أن النمذجة المشتركة للاعتمادات المكانية والزمانية تحقق دقة ومتانة أعلى من النهج التي تعالجهما بشكل منفصل.
استراتيجية التدريب عند التغلغل العالي: تشير الدراسة إلى أن تدريب النماذج على بيانات ذات تغلغل عالٍ لموارد الطاقة الموزعة يوفر مجموعة ميزات متنوعة تتعمم بفعالية على مستويات التغلغل الأدنى، بينما يفشل التدريب عند التغلغل المنخفض في التقاط التدفقات ثنائية الاتجاه المعقدة وبصمات الأعطال في أنظمة التغلغل العالي.
المرونة تجاه الضجيج: خلص المؤلفون إلى أن الوعي الطوبولوجي أساسي للحفاظ على الأداء تحت ضجيج القياس الواقعي، حيث يسمح للنموذج بتصفية الضجيج الذي يحجب الانخفاضات الطفيفة في الجهد الناتجة عن الأعطال.
يضع المؤلفون هذا العمل كخطوة ضرورية نحو تشغيل موثوق للشبكة في مواجهة التزايد في تغلغل موارد الطاقة الموزعة، مشيرين إلى أن العمل المستقبلي سيركز على توسيع هذه الأطر لتشمل شبكات أكبر وأكثر تنوعاً وتقييم أنظمة التغلخل القصوى (تصل إلى 100%).