في العالم الحديث، تُعد الكهرباء شريان الحياة غير المرئي للمجتمع، حيث تتدفق عبر شبكة واسعة من الأسلاك لتزويد المنازل والمصانع والمدن بالطاقة. وللحفاظ على عمل هذا النظام بأمان وكفاءة، يعتمد مشغلو الشبكة على تدفق مستمر من البيانات التي تتبع بدقة مقدار الطاقة المستخدمة في كل لحظة. هذه المعلومات، المعروفة باسم بيانات الحمل، هي الأساس للتنبؤ بالطلب المستقبلي، وموازنة العرض، ومنع انقطاع التيار الكهربائي. ومع ذلك، تماماً كما يمكن لجهاز مراقبة نبضات القلب البشري أن يتعطل أو يمكن لمستشعر أن يفشل، فإن السجل الرقمي لاستهلاك الكهرباء غالباً ما يتعرض للانقطاع. فتتسبب أعطال المعدات، وانقطاعات الاتصال، وتداخل الإشارات في خلق فجوات في الجدول الزمني، مما يترك المشغلين أمام صور غير مكتملة للواقع. وعندما يتم ملء هذه الأجزاء المفقودة بتخمينات بسيطة، فإن الأخطاء الناتجة يمكن أن تمتد آثارها عبر النظام، مما يؤدي إلى توقعات سيئة وإدارة غير فعالة للطاقة. لعقود من الزمن، حاول العلماء إصلاح هذه السجلات المكسورة باستخدام قواعد إحصائية أو نماذج حاسوبية أساسية، لكن هذه الأساليب غالاً ما تعاني عندما تكون البيانات مفقودة في أنماط معقدة أو عندما يتغير الحمل فجأة، كما يحدث أثناء موجات الحر أو العواصف.

لقد طور فريق من الباحثين في جامعة تيانجين للتكنولوجيا نهجاً جديداً لإصلاح هذه الفجوات بدقة أعلى بكثير. فقد أنشأوا نظاماً يجمع بين فكرتين قويتين: نوع من الذكاء الاصطناعي المصمم لفهم التسلسلات الطويلة من الأحداث، وعملية حاسوبية تحاكي التطور الطبيعي لضبط إجاباتها بدقة. يطلق الباحثون على ابتكارهم اسم "Enhanced EA-Transformer". وبدلاً من مجرد التخمين بشأن الرقم الذي يجب أن يحل محل الرقم المفقود، ينظر هذا النظام أولاً إلى التاريخ الكامل لاستخدام الكهرباء لفهم الإيقاعات اليومية والاتجاهات العالمية. ثم يستخدم طبقة ثانية من الصقل الذكي لتعديل تخمينه الأولي، مما يضمن أن النتيجة النهائية تتوافق تماماً مع الحدود الفيزيائية لكمية الطاقة التي يمكن لمبنى أو مصنع استخدامها بالفعل. وقد تم اختبار هذه الطريقة مقابل ثلاثة أنواع مختلفة من البيانات الواقعية: الأحمال الصناعية من المصانع، والأحمال السكنية من المنازل، والأحمال التجارية من المكاتب. وأظهرت النتائج أن هذا النظام الجديد تفوق باستمرار على الأساليب القديمة، منتجاً عمليات إكمال أكثر دقة حتى عندما كانت أجزاء كبيرة من البيانات مفقودة.

يكمن جوهر هذا الأسلوب الجديد في كيفية تعامله مع المعلومات المفقودة. فغالباً ما تتعامل الأساليب التقليدية مع الفجوة في البيانات كمسألة معزولة، محاولةً ملأها بناءً على الأرقام التي تسبقها وتليها مباشرة فقط. أما "Enhanced EA-Transformer"، فينظر إلى الصورة الكبيرة. فهو يدرك أن استهلاك الكهرباء يتبع أنماطاً يمكن التنبؤ بها، مثل الاستهلاك المرتفع خلال النهار والمنخفض خلال الليل، أو طفرات محددة خلال ساعات الصباح والمساء. ولتجسيد هذه الأنماط، يستخدم النظام خريطة داخلية متخصصة تفهم توقيت الأحداث، مما يسمح له برؤية الروابط بين نقاط البيانات المتباعدة زمنياً. وعندما يواجه النظام قيمة مفقودة، فإنه يقوم أولاً بإنشاء تقدير تقريبي بناءً على هذه الأنماط اليومية والعالمية. هذا التخمين الأولي ليس مثالياً، ولكنه يوفر نقطة انطلاق صلبة تحترم التدفق الطبيعي للكهرباء.

بمجرد إجراء هذا التقدير الأولي، ينشط النظام مرحلته الثانية، التي تعمل مثل عملية مستمرة من التجربة والخطأ. وهنا يأتي دور الخوارزمية التطورية. تخيل مجموعة من الحلول المحتملة، يمثل كل منها طريقة مختلفة قلي للتعامل مع الفجوة المفقودة. يقوم النظام باختبار كل من هذه الاحتمالات مقابل مجموعة من القواعد الصارمة. فهو يتحقق من مدى مطابقة البيانات المكتملة للاتجاهات المعروفة، ومدى سلاسة الانتقال بين البيانات الحقيقية والأرقام الجديدة، وما إذا كانت النتيجة تظل ضمن الحدود الواقعية لاستهلاك الطاقة. يتم الاحتفاظ بالحلول الأفضل أداءً، بينما يتم استبعاد الحلول الأضعف. ثم يقوم النظام بإنشاء متغيرات جديدة من الحلول الناجحة، مع إجراء تعديلات صغيرة لمعرفة ما إذا كان بإمكانها تقديم أداء أفضل. وتتكرر هذه الدورة مرات عديدة، حيث يقوم النظام بصقل إجابته تدريجياً حتى يجد القيمة الأكثر دقة والمنطقية فيزيائياً لملء الفجوة.

ما يجعل هذا النهج فعالاً بشكل خاص هو الطريقة التي يعمل بها الجزءان من النظام معاً. يوفر مكون الذكاء الاصطناعي فهماً عميقاً لبنية البيانات، بينما يعمل المكون التطوري كأداة ضبط دقيقة، لتصحيح أي أخطاء صغيرة قد يكون الجزء الأول قد ارتكبها. كما صمم الباحثون النظام ليعطي اهتماماً إضافياً للحظات الحرجة، مثل ساعات الذروة عندما يكون الطلب على الكهرباء في أعلى مستوياته. ومن خلال إعطاء وزن أكبر لأهمية هذه الأوقات، يضمن النظام إعادة بناء أكثر الأجزاء خطورة وتكلفة في الشبكة بأعلى قدر من الدقة. علاوة على ذلك، يتضمن النظام ضوابط سلامة مدمجة تمنعه من توليد قيم مستحيلة، مثل استهلاك الطاقة بالسالب أو أرقام تتجاوز القدرة القصوى للشبكة.

للتحقق من نجاح طريقتهم، اختبر الباحثون نموذجهم على ثلاث مجموعات بيانات متميزة تمثل أنواعاً مختلفة من مستخدمي الطاقة. لقد قاموا بمحاكاة سيناريوهات متنوعة حيث كانت البيانات مفقودة، بما في ذلك الحالات التي كانت فيها القيم المفقودة عشوائية تماماً، والحالات التي فُقدت فيها بسبب نمط معين، والحالات التي فُقدت فيها نتيجة أسباب معقدة وغير متوقعة. كما اختبروا مستويات مختلفة من فقدان البيانات، تتراوح من عشرة بالمائة إلى ثلاثين بالمائة من إجمالي البيانات. وفي كل اختبار، أنتج نظام "Enhanced EA-Transformer" نتائج أفضل من الأساليب الإحصائية التقليدية والنماذج الحاسوبية المتقدمة الأخرى. فقد حقق درجات دقة أعلى ومعدلات خطأ أقل، مما يعني أن البيانات المعاد بناؤها كانت أقرب بك jauh إلى القيم الحقيقية التي كانت ستكون موجودة. وأثبت النظام كفاءة خاصة في التعامل مع الحالات الصعبة حيث كانت البيانات مفقودة في كتل كبيرة أو اتبعت نمطاً غير عشوائي، وهو ما كان يمثل ضعفاً كبياً للأساليب الأخرى سابقاً.

كما قارنت الدراسة أداء نموذجهم الجديد مع العديد من التقنيات الموجودة، بما في ذلك النماذج القائمة على شبكات الذاكرة الطويلة قصيرة المدى وهياكل "ترانسفورمر" القياسية. وفي هذه المقارنات، أظهر النظام الجديد باستمرار أداءً فائقاً عبر جميع أنواع بيانات الحمل الثلاثة. فعلى سبيل المثال، في مجموعة البيانات الصناعية، قلل النموذج الجديد معدل الخطأ بشكل كبير مقارنة بأفضل طريقة تالية، مما أظهر قدرته على التعامل مع التقلبات العالية والانتظام القوي في استخدام الطاقة في المصانع. وبالمثل، في مجموعات البيانات السكنية والتجارية، حافظ النظام على دقة عالية حتى مع زيادة كمية البيانات المفقودة. ووجد الباحثون أن الجمع بين نموذج التعلم العميق وعملية الضبط التطوري كان مفتاح هذا النجاح، لأنه سمح للنظام بتعلم الأنماط المعقدة مع التحسين في الوقت نفسه من أجل الواقعية الفيزيائية.

إن أحد أهم جوانب هذا العمل هو أنه لا يكتفي فقط بملء الأرقام؛ بل يضمن أن الأرقام المكتملة منطقية في العالم الحقيقي. فمن خلال دمج القيود الفيزيائية مباشرة في الحسابات، يضمن النظام أن البيانات المكتملة لن تقترح أبداً سيناريو مستحيلاً، مثل منزل يستخدم كهرباء أكثر مما يمكن لقاطع التيار الرئيسي الخاص به أن يتحمله. إن هذا الاهتمام بالامتثال الفيزيائي أمر بالغ الأهمية لمشغلي الشبكة، الذين يحتاجون إلى الثقة في أن البيانات التي يستخدمونها لاتخاذ القرارات ليست سليمة إحصائياً فحسب، بل هي أيضاً صالحة فيزيائياً. كما صمم الباحثون النظام ليكون مرناً، مما يسمح له بالتكيف مع أنواع مختلفة من أنماط البيانات المفقودة دون الحاجة إلى إعادة برمجته لكل حالة جديدة.

إن تداعيات هذا البحث تمتد إلى ما هو أبعد من مجرد ملء الأرقام المفقودة. فمن خلال توفير طريقة أكثر موثوقية لإعادة بناء البيانات غير المكتملة، يساعد النظام مشغلي الشبكة على اتخاذ قرارات أفضل بشأن كيفية إدارة عرض الكهرباء والطلب عليها. ويمكن أن يؤدي هذا إلى استخدام أكثر كفاءة للطاقة، وتقليل التكاليف، واستقرار أكبر للشبكة الكهربائية. إن القدرة على استعادة البيانات بدقة حتى عند فقدان جزء كبير منها تعني أن مشغلي الشبكة يمكنهم الاستمرار في الاعتماد على أدواتهم القائمة على البيانات حتى عند فشل المستشعرات أو انقطاع روابط الاتصال. ويعتقد الباحثون أن هذه الطريقة يمكن تطبيقها في مجالات أخرى حيث تكون البيانات المتسلسة زمنياً بالغة الأهمية، مثل التنبؤ بالطقس أو تحليل الأسواق المالية، وحيث تكون سلامة تدفق البيانات المستمر أمراً ضرورياً.

في النهاية، يقدم عمل تشاو لي وزملائه في جامعة تيانجلين للتكنولوجيا حلاً قوياً لمشكلة مستمرة في الشبكة الذكية. فمن خلال دمج نقاط قوة التعرف على الأنماط في التعلم العميق مع قوة التحسين في الخوارما التطورية، أنشأوا أداة تتسم بالذكاء والدقة في آن واحد. لا يعتمد النظام على السحر أو التخمين؛ بل يستخدم عملية صارمة وخطوة بخطوة لإعادة بناء الأجزاء المفقودة من أحجية الكهرباء. ومع ازدياد تعقيد أنظمة الطاقة واعتمادها المتزايد على البيانات، فإن امتلاك طريقة يمكنها إصلاح السجلات المكسورة بموثوقية ليس مجرد تحسين تقني، بل هو خطوة ضرورية نحو مستقبل طاقة أكثر مرونة وكفاءة. وتشير نتائج تجاربهم إلى أن هذا النهج يمثل تقدماً كبيراً في هذا المجال، حيث يقدم طريقة عملية وفعالة لضمان بقاء قصة استهلاكنا للكهرباء كاملة، حتى عندما تُفقد أجزاء من السجل.