Large Language Model Assisted Operational Monitoring for Battery Energy Storage System Integrated Power Distribution Networks

تشهد الشبكة الكهربائية التي تغذي منازلنا وأعمالنا تحولاً هادئاً ولكنه عميق. لعقود من الزمن، كان تدفق الكهرباء يسير في اتجاه واحد: من محطات طاقة ضخمة، عبر شبكة من الأسلاك، وصولاً إلى المستهلك. واليوم، أصبح هذا التدفق ثنائي الاتجاه. فالموارد المحلية الصغيرة، مثل الألواح الشمسية فوق الأسطح وأنظمة تخزين البطاريات، يتم توصيلها بالشبكة المحلية، لتعمل كأطراف مشاركة نشطة بدلاً من كونها مستهلكين سلبيين. وتعد هذه البطاريات، المعروفة باسم أنظمة تخزين طاقة البطاريات، ضرورية للحفاظ على استمرارية التيار الكهربائي؛ إذ يمكنها تخزين الطاقة الزائدة عندما تشرق الشمس أو تهب الرياح، وإطلاقها عندما يرتفع الطلب أو يهدأ الطقس. كما تساعد أيضاً في استقرار الجهد، مما يضمن وصول الكهرباء إلى المنزل بالقوة المناسبة تماماً. ومع ذلك، مع تضاعف هذه الأنظمة، فإنها تولد فيضاً من البيانات. ففي كل ثانية، تُبلغ هذه الأنظمة عن حالتها، ومستوى شحنها، وكمية الطاقة التي ترسلها أو تستقبلها. وبالنسبة للمشغلين البشريين المكلفين بالحفاظ على سلامة الشبكة، يمكن أن يكون هذا السيل من المعلومات مربكاً للغاية؛ إذ يتعين عليهم مراقبة المشكلات الدقيقة، مثل دفع بطارية لطاقة زائدة عن الحد أو انخفاض مستوى الجهد، لكن القيام بذلك من خلال البحث اليدوي في جداول بيانات لا تنتهي وأكواد حاسوبية معقدة هو أمر بطيء وعرضة للخطأ.

ولمعالجة هذا التحدي المتزايد، طور الباحثون طريقة جديدة للتحدث مع بيانات الشبكة. تخيل نظاماً يمكن للمشغل من خلاله ببساطة طرح سؤال بلغة إنجليزية بسيطة، مثل "أي بطارية تواجه مشكلة في الحفاظ على استقرار جهدها؟" أو "هل فشل النظام في اتباع تعليمات الطاقة خلال تغيير السعر الأخير؟". وبدلاً من مطالبة المشغل بمعرفة لغة الحاسوب المحددة المستخدمة للاستعلام عن قواعد البيانات، تقوم أداة جديدة بترجمة هذه الأسئلة الطبيعية إلى الأوامر الدقيقة التي يفهمها الحاسوب. تعمل هذه الأداة كجسر بين الفضول البشري وعالم بيانات الشبكة الصارم والمنظم. وهي تستخدم نوعاً متطوراً من الذكاء الاصطناعي، يُعرف بالنموذج اللغوي الكبير، ولكن مع ميزة أمان حاسمة: فهي مقيدة بصرامة بقائمة معتمدة مسبقاً من عروض البيانات. لا يمكنها اختلاق حقائق، أو الوصول إلى ملفات غير مصرح بها، أو كتابة أوامر قد تضر بالنظام؛ هي ببساطة تجد الأرقام الصحيحة وتقدمها بوضوح.

اختبر الباحثون هذه الفكرة باستخدام محاكاة عالية الواقعية تحاكي شبكة طاقة في العالم الحقيقي. فقد أنشأوا بيئة رقمية حيث تم توصيل نظام تخزين بطارية بشبكة من خطوط الطاقة، مع تضمين نوع من تأخيرات الاتصال وتدفقات البيانات الموجودة في العمليات الميدانية الفعلية. وفي هذا العالم المحاكى، طُلب من البطارية أداء مهمتين شائعتين: تعديل خرج طاقتها للحفاظ على استقرار مستويات الجهد، والاستجابة لإشارات الأسعار عبر الشحن أو التفريغ لتوفر المال. ثم وجه الفريق سلسلة من الأسئلة إلى نظامهم الجديد، تراوحت من الفحوصات البسيطة إلى التحقيقات المعقدة. نجح النظام في ترجمة هذه الأسئلة إلى عمليات بحث صالحة في قاعدة البيانات، واستخرج البيانات الصحيحة، وقيم النتائج مقابل قواعد هندسية صارمة. فعلى سبيل المثال، عندما سُئل عن مشاكل الجهد، حدد النظام موقعاً معيناً في الشبكة المحاكية حيث انخفض الجهد إلى ما دون الحد الآمن لمدة تقارب السبعة عشر دقيقة. لم يكتفِ النظام بإيجاد الرقم فحسب، بل شرح معناه، مشيراً إلى أن الجهد انخفض إلى نقطة منخفضة محددة، واقترح أن المعدات في ذلك الموقع تحتاج إلى عناية.

كما بحثت الدراسة في مدى التزام البطارية بالتعليمات. في أحد السيناريوهات، كان من المفترض أن تطابق البطارية مخرج طاقة محدداً. حلل النظام البيانات ووجد أن البطارية كانت تخطئ الهدف باستمرار بفارق كبير، وهو انحراف كبير لدرجة أنه صنف الحالة كضعف محتمل. وفي اختبار آخر، سأل الباحثون عما إذا كان رد فعل البطارية تجاه تغيرات الجهد قد تسبب في أي موجات مفاجئة وزائدة من الطاقة. قام النظام بمطابقة توقيت هذه الموجات مع مشاكل الجهد وحدد بدقة الأجزاء المتأثرة من الشبكة. ووجد أنه بينما تسببت البطارية في بعض الموجات، إلا أنها لم تكن شديدة بما يكفي للتسبب في فشل كامل للنظام، لكنها كانت متكررة بما يكفي لاستدعاء مراجعة إعدادات التحكم. وطوال هذه الاختبارات، أثبت النظام قدرته على التمييز بين مشكلة فيزيائية حقيقية وبين خلل في نقل البيانات نفسه، وهي قدرة حاسمة للمشغلين الذين يحتاجون إلى الثقة في المعلومات التي يشاهدونها.

إن ما يجعل هذا النهج واعداً بشكل خاص هو كيفية تعامله مع تعقيد عمليات الشبكة الحديثة دون مطالبة المشغل بأن يكون خبيراً في قواعد البيانات. تقليدياً، إذا أراد مشغل معرفة كيفية أداء بطارية ما خلال حدث معين، فسيتعين عليه اختيار جداول البيانات الصحيحة يدوياً، وكتابة استعلام بحث معقد، ثم تفسير الأرقام الخام مقابل قائمة من حدود السلامة. يقوم هذا الإطار الجديد بأتمتة المهام الشاقة؛ فهو يأخذ قصد المشغل، ويجد البيانات المناسبة، ويجري فحوصات السلامة، ويقدم ملخصاً موجزاً. وجد الباحثون أن النظام يمكنه إنشاء أوامر بحث صحيحة في كل حالة اختبار جربوها، ونجح في تحديد المناطق الأكثر إشكالية في الشبكة دون أي تدخل بشري. كما رفض النظام بشكل صحيح محاولات طلب بيانات غير مسموح له برؤيتها أو أوامر يمكن أن تغير قاعدة البيانات، مما أثبت فاعلية حواجز الحماية.

تشير النتائج إلى أن هذا النوع من المراقبة المدعومة بالذكاء الاصطناعي يمكن أن يصبح أداة قياسية لمشغلي الشبكة في المستقبل. فمن خلال ربط الكميات الهائلة من البيانات التي تولدها البطاريات والأنظمة الشمسية الحديثة بالطريقة البديهية التي يطرح بها البشر أسئلتهم، تساعد هذه التكنولوجيا المشغلين على رصد المشكلات بشكل أسرع واتخاذ قرارات أفضل. لم تدعِ الدراسة أنها حلت كل مشكلات إدارة الشبكة، كما أنها لم تختبر النظام على شبكة طاقة حقيقية في الواقع. بدلاً من ذلك، أثبتت أن المفهوم يعمل في بيئة محكومة ومحاكاة تشبه الواقع عن كثب. والخطوة التالية، وفقاً للباحثين، هي العمل مع شركات المرافق لتثبيت هذا النظام على خطوط طاقة فعلية، مما يسمح للمشغلين بالاستعلام عن صحة الشبكة في الوقت الفعلي مع وقوع الأحداث. وحتى ذلك الحين، يقف هذا العمل كدليل واضح على أنه يمكننا تعليم الحواسيب أن تستمع إلى أسئلتنا وتجيب عليها بدقة المهندس ووضوح التقرير المباشر.