Evolutionary Learning Based Optimization for Solving Non-convex Optimal Power Flow Problems: A Modern Teaching–Learning-Based Optimization Algorithm

تعد الشبكة الكهربائية آلة ضخمة ودقيقة يجب أن توازن بين العرض والطلب في اللحظة التي يتم فيها تشغيل مفتاح الضوء. ويتطلب الحفاظ على تشغيل هذا النظام بأمان وبتكلفة منخفضة حل لغز معقد يُعرف باسم تدفق القدرة الأمثل. يتعين على المهندسين تحديد كمية الكهرباء التي يجب أن تولدها كل محطة طاقة بالضبط، والجهد الذي يجب الحفاظ عليه في الخطوط، وكيفية ضبط المحولات، كل ذلك مع ضمان عدم انهيار النظام تحت وطأة ثقله. وتكمن المشكلة في أن تكلفة توليد الطاقة نادراً ما تكون خطاً مستقيماً؛ فهي عبارة عن مشهد متعرج وغير مستوٍ مليء بالنتوءات والوديان الناتجة عن الحقائق الفيزيائية لحرق الوقود والحدود الميكانيكية للمعدات. وغالباً ما تعاني الأدوات الرياضية التقليدية في التنقل عبر هذه التضاريس الوعرة، حيث تعلق في المنخفضات المحلية وتفقد أدنى نقطة حقيقية يعمل عندها النظام بأقصى كفاءة.

وللتنقل في هذا المشهد الصعب، لجأ الباحثون إلى أساليب مستوحاة من الطبيعة والسلوك البشري. أحد هذه الأساليب، ويسمى "التحسين القائم على التعليم والتدريس"، يحاكي فصلاً دراسياً حيث يشارك المعلم المعرفة لرفع متوسط درجات الطلاب، ويتعلم الطلاب من بعضهم البعض. وبينما يعد هذا النهج قوياً، إلا أنه قد يستقر أحياناً على حل جيد بسرعة كبيرة، مما يؤدي إلى تفويت الحل الأفضل المختبئ في عمق مساحة البحث. وفي دراسة حديثة، اقترح فريق من الباحثين من الأردن والعراق وإيران خوارزمية جديدة أكثر قوة تسمى "التحسين القائم على التعلم التطوري". لقد أخذوا نموذج الفصل الدراسي وأضافوا إليه طبقة من الاستراتيجية التطورية، وهي تقنية تُدخل طفرات عشوائية مدروسة للحفاظ على حيوية البحث ومنع النظام من التعثر. ومن خلال دمج التعلم المنظم للفصل الدراسي مع العشوائية التكيفية للتطور، ابتكروا أداة مصممة لإيجاد أفضل الإعدادات لشبكات الطاقة، حتى عندما تكون المشكلة ملتوية وغير سلسة.

اختبر الباحثون خواروارزميتهم الجديدة على سلسلة من التحديات الرياضية القياسية المعروفة باسم معايير CEC2014، وهي مصممة لتكون صعبة ومضللة. وفي هذه المحاكاة، تفوقت الطريقة الجديدة باستمرار على الخوارزمية الأصلية القائمة على التدريس والتعلم وغيرها من تقنيات التحسين الشائعة. فقد وجدت حلولاً أفضل بشكل أسرع وباستقرار أكبر، مما أثبت أن إضافة الخطوة التطورية ساعدت النظام على الهروب من الفخاخ المحلية واستكشاف مساحة البحث بأكملها بشكل أكثر شمولاً. ثم طبق الفريق هذه الأداة على نماذج شبكات طاقة من العالم الحقيقي، وتحديداً شبكات اختبار IEEE 30-bus و57-bus، والتي تمثل أنظمة كهربائية صغيرة ومتوسطة الحجم. وقد طلبوا من الخوارزمية حل عدة مشكلات حرجة في آن واحد: تقليل تكلفة الوقود، وخفض الانبعاضات الضارة، وتقليل كمية الطاقة المفقودة كحرارة أثناء النقل، والحفاظ على استقرار مستويات الجهد.

في كل سيناريو تم اختباره على شبكة 30-bus، قدمت الخوارزمية الجديدة نتائج متفوقة. فعندما كُلفت بتقليل تكاليف الوقود، حققت تكلفة قدرها 800.4791 دولاراً في الساعة، وهو رقم أقل مما يمكن أن تصل إليه طريقة التدريس والتعلم الأصلية والخوارزميات الراسخة الأخرى. وعندما أصبح المشكل أكثر تعقيداً، يتضمن أنواعاً متعددة من مصادر الوقود أو الحاجة إلى موازنة التكلفة مقابل الانبعاثات وفقدان الطاقة، استمرت الطة الجديدة في إيجاد الإعدادات الأكثر كفاءة. فعلى سبيل المثال، في اختبار كان الهدف منه تقليل تكاليف الوقود وفقدان الطاقة في آن واحد، وجدت الخوارزمية حلاً يوفر المال مع الحفاظ على استقرار النظام. كما اختبر الباحثون الخوارزمية على شبكة 57-bus الأكبر، والتي تضم سبعة مولدات وعدداً أكبر بكثير من المتغيرات. وبينما تشير الورقة البحثية إلى أنه تم الحصول على الحلول المثلى لهذه الشبكة الأكبر ومقارنتها مع مقالات سابقة، إلا أن النتائج الرقمية المحددة لتكاليف الوقود لشبكة 57-bus لم تُدرج في النص المقدم.

كما نظرت الدراسة في كيفية سلوك الخوارزمية بمرور الوقت. ففي عمليات المحاكاة، أظهرت الطريقة الجديدة انخفاضاً ثابتاً وسريعاً في الخطأ، مما يعني أنها وجدت حلولاً جيدة بسرعة ثم قامت بتنقيحها لتصل إلى حد الكمال تقريباً. وخلافاً لبعض الطرق الأخرى التي قد تتقلب بشدة أو تتوقف قبل الوصول إلى الإجابة الأفضل، حافظت هذه الخوارزمية على مسار ثابت نحو الحل الأمثل. وقد تحقق الباحثون من هذه النتائج من خلال تشغيل عمليات المحاكاة ثلاثين مرة لكل مشكلة لضمان أن النتائج لم تكن مجرد ضربة حظ. وأظهرت البيانات أن النهج الجديد لم يكن أكثر دقة فحسب، بل كان أيضاً أكثر موثوقية، حيث وجد باستمرار أفضل الإعدادات الممكنة لمتغيرات شبكة الطاقة.

من خلال الجمع بين التعلم الاجتماعي للفصل الدراسي وقوة الطفرات التطورية، ابتكر الباحثون أداة تتعامل مع الواقع غير الخطي والمعقد لأنظمة الطاقة بشكل أفضل من العديد من الأساليب الموجودة. ويوضح العمل أنه من خلال الموازنة بعناية بين الحاجة إلى استكشاف إمكانيات جديدة والحاجة إلى تنقيح الحلول الجيدة المعروفة، يمكن للمهندسين إيجاد طرق لتشغيل الشبكة الكهربائية بشكل أرخص وأنظف. وتشير النتائج إلى أن هذا النهج الهجين يمكن أن يكون أصلاً قيماً لتخطيط أنظمة الطاقة المستقبلية، مما يوفر وسيلة للتنقل بين المقايضات المعقدة بين التكلفة والكفاءة والأثر البيئي دون الضياع في الخشونة الرياضية للمشكلة.