Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework
تتناول هذه الورقة عائق الدخول أمام تطبيق الذكاء الاصطناي في أنظمة الطاقة من خلال تقديم إطار عمل مفتوح وقابل للتنفيذ يتكون من وحدات "جوبيتر نوت بوك" (Jupyter notebook) تدريجية تجسر الفجوة بين مفاهيم الذكاء الاصطناعي التأسيسية والمهام الهندسية المتخصصة في هذا المجال، وهو ما تم التحقق من صحته من خلال التفاعل المجتمعي العالي وبيانات الاستطلاع.
المؤلفون الأصليون:Junjie Yin (Fran), Buxin She (Fran), Xinyu Feng (Fran), Fangxing (Fran), Li
تخيل عالم الكهرباء كمدينة ضخمة غير مرئية، حيث تتدفق الطاقة مثل الماء عبر شبكة معقدة من الأنابيب، لتبقي أضواءنا مضاءة وهواتفنا مشحونة. لعقود من الزمن، كان المهندسون هم السباكين المهرة لهذه المدينة، مستخدمين قواعد رياضية صارمة للتنبؤ بكيفية حركة المياه وأماكن احتمال انفجارها. ولكن مؤخرًا، وصل نوع جديد من المساعدين: الذكاء الاصطناعي. فكر في الذكاء الاصطناعي كمتدرب فائق الذكاء يمكنه تعلم الأنماط من أكوام هائلة من البيانات، تمامًا مثل محقق يمكنه تخمين الخطوة التالية في لعبة ما بمجرد مشاهدة آلاف الألعاب السابقة. هذا المتدرب بارع في إيجاد الروابط الخفية، لكنه قد يكون بمثابة "صندوق غامض"؛ فأحيانًا يعطي إجابات دون شرح "لماذا"، أو يرتبك عندما تتغير قواعد اللعبة.
السؤال الكبير هو: كيف نعلم هذا المتدرب الذكي أن يكون كهربائيًا موثوقًا به بدلاً من مجرد شخص يخمّن؟ نحن بحاجة لأن يفهم "فيزياء" شبكة الطاقة الخاصة بنا — تلك القواعد التي تقول إن الكهرباء يجب أن تتوازن بشكل مثالي وإلا قد ينهار النظام بأكمله. إذا تمكنا من تعليم الذكاء الاصطناعي احترام هذه القواعد، فقد يساعدنا ذلك في إدارة الطاقة المتجددة، مثل الطاقة الشمسية والرياح، والتي تتسم ببعض عدم القدرة على التنبؤ. ولكن في الوقت الحالي، يشعر الكثير من الناس بأنهم عالقون. فهم يريدون استخدام الذكاء الاصطناعي لحل مشاونات الطاقة هذه، لكن التعليمات غالبًا ما تكون معقدة للغاية، أو أن إعدادات الكمبيوتر تمثل كابوسًا، أو أن الأمثلة المقدمة (مثل التعرف على الأرقام المكتوبة بخط اليد) تبدو غير مرتبطة تمامًا بعالم خطوط الطاقة والمولدات الضخمة.
هذه الورقة البحثية تشبه دليلًا إرشاديًا وديًا يقول: "دعونا نبني جسرًا بين متدرب الذكاء الاصطناعي وشبكة الطاقة". لاحظ المؤلفون، وهم فريق من الباحثين والتربويين، أنه بينما يهتم الكثير من الناس باستخدام الذكاء الاصطناعي للطاقة، إلا أن عددًا هائلًا منهم يصطدم بحائط قبل حتى أن يبدأوا. وفي استطلاع أجروه، وجدوا أن 92% من الباحثين والمهندسين أبلغوا عن وجود عائق واحد على الأقل يمنعهم من تشغيل نموذج ذكاء اصطناعي، وأن 94% قالوا إنهم يتوقون بشدة إلى دورة تدريبية عملية مخصصة لأنظمة الطاقة. وبدلاً من الاكتفاء بالحديث عن النظرية، قاموا ببناء "ملعب" يضم ستة برامج حاسوبية جاهزة للاستخدام.
هذه البرامج منظمة مثل لعبة فيديو مكونة من ثلاثة مستويات من الصعوبة. المستوى الأول هو المستوى "التأسيسي"، حيث تتعلم الأساسيات من خلال تعليم ذكاء اصطنا-بسيط رسم المنحنيات، تمامًا مثل تتبع خط على قطعة من الورق. المستوى الثاني هو "المرتبط بالمجال"، حيث يتعلم الذكاء الاصطناعي التنبؤ بكيفية تدفق الكهرباء عبر نظام طاقة صغير مكون من 5 خطوط (نسخة مصغرة من الشبكة الحقيقية) دون الحاجة إلى حل معادلات فيزيائية معقدة في كل مرة. الأمر يشبه تعليم الذكاء الاصطناটি توقع حركة المرور في بلدة صغيرة بناءً على الأنماط السابقة. المستوى الثالث هو "الحدودي"، وهو يتناول الأمور الصعبة حقًا: استخدام الذكاء الاصطناعي للمساعدة في اتخاذ القرارات بشأن كيفية شحن البطاريات، وكيفية تحسين الشبكة، وحتى كيفية تعليم الذكاء الاصطناعي فهم قوانين الفيزياء مباشرة، بحيث لا يمكنه تقديم تنبؤات مستحيلة.
لا تدعي هذه الورقة أنها حلت كل مشكلة في عالم الطاقة. بدلاً من ذلك، هي تقدم مجموعة من الأدوات المفتوحة والمجانية والمصممة لتعمل بسهولة على جهاز كمبيوتر محمول أو حتى عبر متصفح الويب. اختبر المؤلفون هذه الأدوات من خلال مشاركتها في دورة تدريبية عبر الإنترنت وندوة عبر الإنترنت، والتي جذبت أكثر من 590 حاضرًا مباشرًا ومئات الأشخاص الذين زاروا مستودع الأكواد الخاص بهم في غضون أسبوعين فقط. النتيجة الرئيسية هي أنه من خلال توفير هذه الأمثلة "الجاهزة للتشغيل" والخطوة بخطوة، يمكنهم خفض حاجز الدخول، مما يسمح للطلاب والمهندسين بالتوقف عن مجرد سؤال الذكاء الاصطناعي عن الإجابات والبدء فعليًا في بناء واختبار حلولهم الخاصة. تشير الورقة إلى أن هذا النهج، الذي يسمونه "الذكاء الاصطناعي المرتكز على الهندسة"، يساعد المتعلمين على رؤية كيف يتناسب الذكاء الاصطناعي تمامًا مع القواعد الحقيقية لشبكة الطاقة، محولاً هذا "الصندوق الأسود" الغامض إلى أداة شفافة ومفيدة.
ملخص تقني: سد الفجوة بين الذكاء الاصطناعي وتعليم أنظمة القوى باستخدام إطار عمل تنفيذي تطبيقي
بيان المشكلة بينما يكتسب الذكاء الاصطناعي (AI) أهمية مركزية متزايدة في أنظمة القوى والطاقة لأغراض النمذجة، والتنبؤ، والتحسين، والتحكم، إلا توجد فجوة كبيرة في الموارد التعليمية للمبتدئين والمتعلمين من التخصصات المتعددة. غالبًا ما تركز الأعمال الأكاديمية الحالية على تطبيقات متخصصة أو أبحاث رفيعة المستوى، مما يترك المبتدئين مع أكواد برمجية مجزأة أو مسارات عمل تفتقر إلى السياق وتكون شديدة التجريد. علاوة على ذلك، كشف استطلاع رأي للمجتمع أجراه المؤلفون أن 92% من الباحثين والممارسين يواجهون عائقًا واحدًا على الأقل قبل تشغيل نموذج ذكاء اصطناعي (مثل: نقص المعرفة الأساسية، أو قيود الأجهزة، أو مشكلات تهيئة البيئة البرمجية). بالإضافة إلى ذلك، أعرب 94% من المستجيبين عن رغبتهم في الحصول على دورة تدريبية عملية مخصصة لأنظمة القوى. وتُعتبر الدروس التعليمية العامة الحالية، والتي تعتمد غالبًا على التعرف على الصور (مثل MNIST)، ذات صلة منخفضة بمشكلات أنظمة القوى، التي تهيمن عليها السلاسل الزمنية، والأشكال الموجية، وكميات تدفق القدرة.
المنهجية لمعالجة هذه الفجوات، يقترح المؤلفون إطار عمل لـ "الذكاء الاصطناعي المرتكز على الهندسة" (EGAI)، حيث تلتزم مسارات عمل الذكاء الاصطناعي بالقواعد الهندسية وقواعد أنظمة القوى الراسخة بدلاً من العمل كصناديق سوداء غير مرتبطة بمهام محددة. تتكون المنهجية من ثلاثة مكونات أساسية:
التصميم المدفوع بالمجتمع: حدد استطلاع مستهدف (N=52) للباحثين والممارسين في مجال القوى والطاقة عوائق تعلم محددة وتفضيلات الموارد، مما ساهم بشكل مباشر في تصميم المواد التعليمية.
رسم خرائط المعرفة التصاعدية: ينظم إطار العمل وحدات التدريس وفق "سلم صعوبة تصاعدي" يربط صراحةً بين مفاهيم الذكاء الاصطناዊ الأساسية ومهام أنظمة القوى التمثيلية. يتجنب هذا الربط العزل عبر الجمع بين:
الانحدار غير الخطي مع التنبؤ بمنحنى الحمل. المحددات غير الخطية مع بدائل تدفق القدرة (Power-flow surrogates).
القيود المتعلمة مع اتخاذ القرار المقيد بالمعايير الأمنية.
التعلم التعزيزي العميق (DRL) مع التحكم في تخزين البطاريات.
الشبكات العصبية المستوحاة من الفيزياء (PINNs) مع معادلة التأرجح (Swing equation).
مكتبة الوحدات القابلة للتنفيذ: طور المؤلفون ست وحدات مفتوحة المصدر وقابلة للتطبيق تم إصدارها كدفاتر ملاحظات Jupyter. يمكن تشغيلها محليًا أو عبر Google Colab، باستخدام هيكل قالب موحد (الإعدادات، توليد البيانات، بناء النموذج، التدريب، التقييم، التصور) لضمان قابلية التكرار وسهولة التعديل. تُصنف الوحدات إلى ثلاث مستويات:
المستوى الأول (تأسيسي): قوالب الشبكات العصبية العميقة (DNN) العامة لتقريب الدوال (الدوال التحليلية) وملاءمة منحنى الحمل (البيانات المقاسة).
المستوى الثاني (مرتبط بالمجال): بديل تدفق قدرة يعتمد على الشبكات العصبية التلافيفية (CNN) لنظام PJM خماسي الحافلات معدل، يتنبأ بجهود الحافلات وتدفقات خطوط القدرة باستخدام بيانات مولدة بطريقة مونت كارلو من نقاط التشغيل.
المستوى الثالث (الآفاق المتقدمة): تطبيقات متقدمة تشمل التحسين المدعوم بالشبكات العصبية العميقة (دمج القيود المتعلمة في البرمجة الخطية المختلطة)، والتعلم التعزيزي العميق (DRL) لجدولة نظام تخزين طاقة البطاريات (BESS)، والشبكات العصبية المستوحاة من الفيزياء (PINNs) لحل معادلة التأرجح باستخدام بيانات متفرقة.
المساهمات الرئيسية
تحليل الاحتياجات: التحقق التجريبي من عوائق التعلم والطلب على تعليم الذكاء الاصطناعي الخاص بالمجال من خلال استطلاع للمجتمع.
إطار التصميم: نهج مهيكل لربط مفاهيم الذكاء الاصطناعي بمهام أنظمة القوى، والانتقال من الأمثلة العامة إلى المشكلات القابلة للتفسير فيزيائيًا.
مكتبة الوحدات المفتوحة: إصدار ست وحدات قابلة للتنفيذ تغطي طيفًا يبدأ من الانحدار الأساسي إلى التعلم المستوحى من الفيزياء، وكلها مبنية على قالب دفتر ملاحظات مشترك وقابل للتهيئة.
قابلية التكرار والتحقق: تقديم هذه الموارد من خلال دورة تدريبية عبر الإنترنت تابعة لـ IEEE وسلسلة ندوات عبر الإنترنت تابعة لجمعية القوى والطاقة (PES) التابعة لـ IEEE، مما يضمن سهولة الوصول إلى المواد وقابليتها للتكرار.
النتائج تم التحقق من صحة إطار العمل من خلال النشر المبكر والتفاعل المجتمعي:
حضور الندوات عبر الإنترنت: جذب الجزء الأول من الندوة المرتبطة أكثر من 590 حاضرًا مباشرًا، مما جعلها ضمن أكثر عشر ندوات عبر الإنترنت حضورًا في IEEE PES.
التفاعل مع المستودع: تلقى المستودع مفتوح المصدر أكثر من 344 زيارة خلال أسبوعين من إصداره.
الأداء التقني:
نجحت قوالب DNN التأسيسية في التعميم عبر عائلات دوال مختلفة (ترينومترية، متعددة الحدود) وبيانات الأحمال الحقيقية.
أظهر بديل تدفق القدرة القائم على CNN أن قدرة النموذج يجب أن تقترن بطول تدريب كافٍ؛ حيث حقق نموذج تم تدريبه لمدة 200 حقبة (epoch) مع 240 مرشحًا (filter) متوسط خطأ مطلق (MAE) أقل من 10−3 وحدة لكل نبضة (pu) لجهود الحافلات، وهو ما تفوق بشكل كبير على النسخ غير المكتملة التدريب.
حققت وحدة DRL للتحكم في نظام تخزين طاقة البطاريات (BESS) خفضًا في التكلفة بنسبة 5.9% مقارنة بخط الأساس الذي لا يحتوي على تخزين، وتفوقت على قاعدة الدورة البسيطة، مما أكد صحة اقتران الحالة-الإجراء-المكافأة.
نجحت وحدة PINN في إعادة إنتاج مسارات زاوية الدوار والسرعة الزاوية بدقة أكبر من الشبكة العصبية العادية عند التدريب على بيانات متفرقة، مما أثبت قيمة دمج المعادلات الحاكمة.
الأهمية يزعم البحث أن هذا العمل يخفض حاجز الدخول لتطبيق الذكاء الاصطناعي في أنظمة القوى من خلال توفير "أساس برمجي بسيط ولكنه قابل للتوسع". ومن خلال نقل المتعلمين من الاعتماد السلبي على النماذج اللغوية الكبيرة (LLMs) إلى التجريب النشط للمعلمات، والبنيات، وصيغ المشكلات، يعزز إطار العمل فهمًا أعمق لكيفية تفاعل الذكاء الاصطناعي مع الأنظمة الفيزيائية. يرى المؤلفون أن هذا النهج يعزز "الذكاء الاصطناعي المرتكز على الهندسة"، مما يضمن تطوير أدوات الذكاء الاصطناعي في أنظمة القوى بمدخلات ومسارات عمل ومخرجات تتوافق مع المبادئ الهندسية الراسخة. تم تصميم إطار العمل ليس فقط لأنظمة القوى، بل أيضًا كنموذج قابل لإعادة الاستخدام في التخصصات الهندسية الأخرى القائمة على البيانات، مما يسد الفجوة بين مفاهيم الذكاء الاصطناعي الأساسية والتطبيقات المتقدمة الخاصة بالمجالات.