SynEnergy: Anomaly Semantic-Guided Diffusion for Synthetic Energy Data Generation

تخيل أنك تحاول تعليم روبوت كيفية فهم نبض قلب المدينة. في عالم الطاقة، هذا "النبض" هو الكهرباء التي يستخدمها الناس كل يوم. عادةً ما يكون هذا الإيقاع متوقعاً للغاية: تضاء الأنوار في الصباح، ويبدأ تشغيل مكيفات الهواء في منتصف النهار، ثم يهدأ كل شيء في الليل. لقد بنى العلماء العديد من البرامج الحاسوبية لمحاكاة هذا الإيقاع المنتظم، وهو أمر مفيد لتخطيط شبكات الطاقة والتنبؤ بالاحتياجات المستقبلية. ومع ذلك، فإن الحياة الواقعية فوضوية. أحياناً، تضرب عاصفة هائلة فتتسبب في انقطاع التيار الكهربائي عن آلاف المنازل دفعة واحدة، أو تسبب موجة حر تجعل الجميع يشغلون مراوحهم دون توقف. هذه هي "الظواهر الشاذة" (Anomalies)—تلك اللحظات الغريبة والنادرة والفوضوية. المشكلة هي أن معظم البرامج الحاسوبية بارعة جداً في تعلم الأنماط المنتظمة المملة لدرجة أنها تتسبب عن غير قصد في "تنعيم" هذه الأعطال المثيرة والفوضوية. إنها تجعل البيانات تبدو مثالية للغاية، مثل أغنية تم حذف جميع مقاطع "صولو الدرامز" غير المتوقعة منها. وهذا أمر مهم لأننا إذا لم نتمكن من محاكاة الفوضى، فلن نتمكن من الاستعداد لها.

هنا يأيد SynEnergy، وهي أداة جديدة صممها باحثون في جامعة ولاية فلوريدا لحل هذه المشكلة. فكر في SynEnergy كـ "مدرب فوضى" لروبوت توليد البيانات. بدلاً من مجرد ترك الروبوت يخمن كيف تبدو العاصفة، تقوم SynEnergy بتعليمه تحديداً كيفية التعرف على تلك اللحظات الفوضوية وإعادة إنتاجها. وجد الباحثون أن طفرات وانخفاضات الطاقة الغريبة هذه ليست عشوائية؛ بل تتبع قواعد خفية تعتمد على مكان سكن الناس وما هي طبيعة أحياءهم. ومن خلال استخدام عملية خاصة مكونة من خطوتين، تتعلم SynEnergy هذه القواعد الخفية أولاً، ثم تستخدمها لتوجيه الروبوت في إنشاء بيانات طاقة وهمية تتسم بنفس القدر من الجنون وعدم القدرة على التنبؤ كما في الواقع. وفي اختباراتهم، كانت هذه الطريقة الجديدة أفضل بكثير في الحفاظ على هذه الأحداث النادرة حية في البيانات الوهمية مقارنة بالأدوات الرائدة الأخرى، مما يجعل البيانات الوهمية أكثر فائدة لاختبار كيفية تعامل شبكات الطاقة مع حالات الطوارئ.

الخلفية: لماذا نحتاج إلى بيانات طاقة وهمية؟

لفهم سبب أهمية SynEnergy، نحتاج أولاً إلى النظر في اللغز الذي يحاول العلماء حله. تجمع شركات الطاقة كميات هائلة من البيانات من العدادات الذكية في منازل الناس. تخبرنا هذه البيانات بالضبط متى وكم مقدار الكهرباء المستخدمة. ولكن هنا تكمن العقبة: هذه البيانات خاصة. تماماً كما لا تريد أن يعرف الغرباء جدولك اليومي، لا يمكن لشركات الطاقة مشاركة تفاصيل استخدامك المحددة مع الباحثين بسبب قوانين الخصوصية.

إذن، كيف يدرس العلماء الشبكة دون رؤية بيانات الأشخاص الحقيقيين؟ إنهم ينشئون بيانات اصطناعية (Synthetic Data). هذا يشبه "توأماً رقمياً" للعالم الحقيقي—مجموعة بيانات وهمية تبدو وتتصرف تماماً مثل الشيء الحقيقي ولكنها لا تنتمي لأي شخص محدد. لسنوات، استخدم الباحثون حِيلاً حاسوبية مختلفة لبناء هذه التوائم. يستخدم بعضهم شبكات الخصومة التوليدية (GANs)، والتي تشبه روبوتين يلعبان لعبة حيث يحاول أحدهما صنع بيانات مزيفة بينما يحاول الآخر كشف الزيف. ويستخدم آخرون نماذج الانتشار (Diffusion Models)، التي تعمل بشكل يشبه النحات الذي يبدأ بكتلة من الطين العشوائي المليء بالضجيج ويبدأ في نحتها ببطء حتى يظهر تمثال واضح.

المشكلة هي أن هؤلاء النحاتين كانوا حذرين للغاية. إنهم بارعون جداً في التقاط اليوم "المتوسط" لدرجة أنهم يفقدون الأيام "القصوى". إذا كان هناك انقطاع للكهرباء في مدينة ما أثناء إعصار، فقد تُظهر البيانات الوهمية مجرد انخفاض طفيف في الاستخدام، متجاهلة الانقطاع التام. إذا تسببت موجة حر في طفرة هائلة في استخدام مكيفات الهواء، فقد تُظهر البيانات الوهمية مجرد تلة لطيفة بدلاً من جبل شاهق. وهذا أمر خطير لأنه إذا لم نتمكن من محاكاة أسوأ السيناريوهات، فلن نتمكن من اختبار ما إذا كانت شبكات الطاقة لدينا ستنجو منها.

الاكتشاف: الظواهر الشاذة لها نمط

قبل بناء SynEnergy، نظر الباحثون عن كثب في بيانات طاقة حقيقية من فلوريدا لمعرفة الخطأ الذي يحدث. واكتشفوا أمرين مذهلين حول هذه "الظواهر الشاذة" (الطفرات والانخفاضات الغريبة):

1. إنها ليست عشوائية؛ بل هي جيران. عندما تحدث خلل غريب في الطاقة في أحد الأحياء، غالباً ما يحدث في الأحياء المجاورة أيضاً. الأمر يشبه تموجاً في بركة ما. إذا سقطت شجرة على خط طاقة في أحد الشوارع، فإن المنازل المجاورة لها مباشرة ستفقد الكهرباء أيضاً. وجد الباحثون أن هذه الأعطال تتجمع معاً جغرافياً.
2. إنها تتشكل بناءً على من يعيش هناك. الأمر لا يتعلق بالموقع فحسب؛ بل بنوع الحي أيضاً. تميل المناطق ذات مستويات الدخل أو قيم العقارات أو معدلات التعليم المتشابهة إلى امتلاك أعطال طاقة متشابهة، حتى لو كانت بعيدة عن بعضها البعض. فقد يقوم سكان ضاحية غنية بتشغيل مكيفات الهواء في نفس الوقت أثناء موجة حر، بينما قد يتفاعل نوع آخر من الأحياء بشكل مختلف.

أدرك الباحثون أن الأدوات الموجودة كانت تفتقد هذه الروابط. لقد كانت تعامل كل منزل كجزيرة منعزلة، متجاهلة حقيقة أن المنازل تتواصل مع بعضها البعض من خلال الشبكة وبيئتها المشتركة.

الحل: رقصة SynEnergy المكونة من خطوتين

لإصلاح ذلك، بنى الفريق SynEnergy، التي تعمل في مرحلتين متمايزتين. تخيل أنك تحاول كتابة قصة عن مدينة أثناء إعصار.

المرحلة الأولى: "خريطة الفوضى" (HG-ASL)
أولاً، تنشئ SynEnergy خريطة لكل أنواع الفوضى. تنظر إلى البيانات الحقيقية وتزيل الأجزاء المنتظمة المملة (الـ "ضجيج الخلفي") لتجد "البقايا" (residuals)—وهي الأجزاء المتبقية التي تمثل الظواهر الشاذة.

• تقوم بتجميع هذه البقايا في مجموعات "دلالية" (semantic clusters). فكر في هذا كفرز الفوضى في سلال: "انقطاعات الأعاصير"، "طفرات موجات الحر"، و"زيادات العطلات".
• ثم تستخدم رسمًا بيانيًا غير متجانس (Heterogeneous Graph) (وهي طريقة متطورة للقول إنها شبكة متصلة) لربط هذه السلال ببعضها البعض. فهي تربط السلال من الأحياء المجاورة والسلال من الأحياء التي تبدو متشابهة (مثل منطقتين بهما منازل ذات دخل مرتفع).
• والنتي النتيجة هي "خريطة فوضى عالمية" تفهم ليس فقط شكل الخلل، ولكن أيضاً أين يحدث ولماذا يحدث هناك.

المرحلة الثانية: "النحات الموجه" (AS-Diff)
بمجرد تجهيز الخريطة، تنتقل SynEnergy إلى المرحلة الثانية: توليد البيانات الوهمية. وهي تستخدم نموذج انتشار (Diffusion Model)، الذي يبدأ بضجيج عشوائي محض (مثل التشويش في تلفاز قديم).

• في الحالة العادية، سيحاول النموذج فقط تحويل ذلك الضجيج إلى منحنى طاقة سلس ومتوسط.
• لكن SynEnergy تمتلك سلاحاً سرياً: الدليل الدلالي للظواهر الشاذة (Anomaly Semantic Guide). قبل أن يبدأ النحات في نحت الضجيج، ينظر إلى "خريطة الفوضى" ويختار "نمط خلل" معيناً للحي الذي يقوم بإنشائه.
• ثم يهمس بهذا النمط في أذن النموذج، طبقة تلو الأخرى، بينما يقوم النموذج بتنظيف الضجيج. إنه يخبر النموذج: "مهلاً، تذكر أن تجعل هذا الجزء متعرجاً"، أو "تأكد من أن هذا الجزء ينخفض إلى الصفر".
• هذا يضمن أن البيانات الوهمية النهائية لن تكون مجرد منحنى سلس؛ بل ستكون ذات حواف متعرجة وواقعية مثل عاصفة أو موجة حر حقيقية.

النتائج: هل نجح الأمر؟

اختبر الباحثون SynEnergy على أربع مجموعات بيانات من العالم الحقيقي من فلوريدا ونيويورك وكاليفورنيا. وقارنوها بـ 11 طريقة أخرى من الفئات الرائدة، بما في ذلك أفضل شبكات الـ GAN ونماذج الانتشار الأخرى.

كانت النتائج واضحة:

• أفضل في الحفاظ على الأشياء الغريبة: حسنت SynEnergy قدرتها على الحفاظ على الظواهر الشاذة بمتوسط 12.21% مقارنة بأفضل الأدوات الموجودة. بعبارات بسيطة، إذا كانت الأدوات الأخرى تفقد 10 من أصل 100 حدث عاصفة، فإن Synoma تفقد حوالي 8 فقط.
• أكثر فائدة للمستقبل: عندما استخدموا البيانات الوهمية لتدريب الذكاء الاصطنا Artificial Intelligence للتنبؤ بالمشكلات المستقبلية، ساعدت بيانات SynEnergy الذكاء الاصطناعي على الأداء بشكل أفضل بنسبة 2.96%. وهذا يعني أن البيانات الوهمية كانت في الواقع أكثر "واقعية" في الجوانب التي تهم السلامة والتخطيط.
• تتعامل مع الأحداث الكبرى: في اختبار محدد يتعلق بالإعصار "مايكل" (الذي تسبب في انقطاعات هائلة للكهرباء في عام 2018)، نجحت SynEnergy في إعادة إنشاء الهبوط المفاجئ إلى الصفر في 87% من المنازل المحاكية، وهو ما يطابق الحدث الحقيقي تقريباً. أما الأدوات الأخرى فقد قامت بتنعيم هذا الهبوط، مما جعل الإعصار يبدو وكأنه مجرد إزعاج بسيط.

لماذا يهم هذا؟

إن SynEnergy لا تصنع فقط بيانات وهمية أفضل؛ بل تصنع مدناً أكثر أماناً. من خلال إثبات قدرتنا على محاكة اللحظات الفوضوية والمضطربة لاستخدام الطاقة بدقة، يمكننا بناء شبكات طاقة مستعدة للأسوأ. إذا تمكنا من إنشاء توأم رقمي مثالي لتأثير إعصار على الشبكة، يمكن للمهندسين اختبار دفاعاتهم قبل وصول العاصفة. لقد أظهر الباحثون أنه من خلال الاهتمام بـ "الظواهر الشاذة" والروابط الخفية بين الأحياء، يمكننا إنشاء عوالم اصطناعية ليست صحيحة إحصائياً فحسب، بل هي حية حقاً بنفس المفاجآت التي يوجد بها عالمنا الحقيقي.