An Adaptive Decentralised Federated Learning Framework for Load Forecasting in Dynamic Microgrid Environments
تقترح هذه الورقة إطار عمل للتعلم الاتحادي اللامركزي آمن وقابل للتوسع، مدمج مع بنية هجينة من شبكات (TCN-BiLSTM)، لتحقيق دقة عالية في التنبؤ بالأحمال في الشبكات الذكية الصغيرة الديناميكية، مع التغلب على قيود الخصوصية والموثوقية والموارد التي تفرضها النهج المركزية التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في العالم الحديث، لم تعد الكهرباء طريقاً ذا اتجاه واحد يتدفق من محطة طاقة ضخمة إلى منزل سلبي. بدلاً من ذلك، بدأت الأحياء تتحول إلى شبكات طاقة مصغرة خاصة بها، تُعرف باسم الشبكات الدقيقة (microgrids). تدمج هذه الأنظمة بين الكهرباء التقليدية والمصادر المحلية مثل الألواح الشمسية فوق الأسطح وتخزين البطاريات، مما يسمح للمنازل بتوليد الطاقة ومشاركتها مع جيرانها. وللحفاظ على استقرار هذه الشبكات الحساسة، يجب على نظام حاسوبي ذكي يُسمى "نظام إدارة الطاقة" أن يتوقع باستمرار مقدار الطاقة التي ستكون مطلوبة في الساعات القادمة. فإذا أخطأ في التقدير، قد تصبح الشبكة غير مستقرة أو تهدر طاقة باهظة الثمن. وتكمن الصعوبة في أن كل منزل يستخدم الكهرباء بشكل مختلف؛ فبعض العائلات تشغل أجهزة تكييف الهواء طوال اليوم، بينما لا يشغل البعض الآخر سوى الأضواء في المساء. علاوة على ذلك، لا تشرق الشمس باستمرارية مثالية. ولإجراء تنبؤات دقيقة، يحتاج النظام إلى التعلم من أنماط آلاف المنازل المختلفة. ومع ذلك، فإن مطالبة كل منزل بإرسال بيانات استهلاكه التفصيلية للطاقة إلى حاسوب مركزي يخلق خطراً جسيماً على الخصوصية، حيث يمكن لهذه السجلات أن تكشف بدقة متى يكون الناس في منازلهم، وما هي الأجهزة التي يستخدمونها، وروتينهم اليومي.
لقد طور باحثون في جامعة كوينزلاند للتكنولوجيا طريقة جديدة لحل هذا اللغز دون أن يطلبوا أبداً من أي منزل الكشف عن أسراره الخاصة. فقد ابتكروا نظاماً يحدث فيه التعلم محلياً، مباشرة داخل العدادات الذكية داخل كل منزل، ويتم فقط مشاركة "الدروس المستفادة" مع الجيران. تخيل مجموعة من الطلاب يحاولون حل مسألة رياضية صعبة؛ فبدلاً من تسليم دفاتر ملاحظاتهم إلى معلم يقوم بتصحيحها جميعاً عند مكتب مركزي، يعمل كل طالب بمفرده. وعندما ينتهون، يخبرون جيرانهم فقط كيف يبدو مفتاح الحل، دون إظهار خطوات عملهم. هذا النهج، المعروف باسم "التعلم الاتحادي اللامركزي"، يسمح للشبكة بأكملها بأن تصبح أكثر ذكاءً في التنبؤ باستخدام الطاقة مع ضمان عدم رؤية أي حاسوب منفرد للبيانات الخام لمنزل معين.
وجد الباحثون أن مجرد مشاركة هذه التلميحات لم يكن كافياً للتعامل مع التقلبات الحادة في الطلب على الطاقة الناتجة عن تغيرات الطقس أو الارتفاعات المفاجئة في الاستخدام. واكتشفوا أن أدوات التعلم القياسية غالباً ما تنسى الاتجاهات طويلة الممد أو تفوت التغيرات السريعة والحادة في استهلاك الطاقة. ولإصلاح ذلك، بنوا محرك تعلم هجين يجمع بين نوعين مختلفين من الذكاء الاصطناعي. الجزء الأول يعمل مثل كاميرا عالية السرعة، يلتقط التقلبات السريعة في استهلاك الطاقة ثانية بثانية، مثل عندما ينخفض إنتاج الألواح الشمسية فجأة بسبب مرور سحابة فوقها. أما الجزء الثاني فيعمل مثل ذاكرة طويلة المدى، حيث يتذكر الصورة الكبيرة لكيفية تغير عادات استهلاك الطاقة في المنازل على مدار الأيام والأسابيع. ومن خلال دمج هاتين القدرتين معاً، يمكن للنظام رؤية التفاصيل الفورية والقصة الأوسع لاستهلاك الطاقة.
ولاختبار ما إذا كان هذا الإطار الجديد يعمل بالفعل، أجرى الفريق عمليات محاكاة واسعة النطاق باستخدام بيانات واقعية من مئات المنازل في أستراليا، بما في ذلك سجلات من شبكة "أوسجريد" (Ausgrid) ومنطقة سيدني. وقارنوا طريقتهم الجديدة بالأسالب التقليدية القديمة التي تعتمد على خادم مركزي لجمع ومعالجة جميع المعلومات. وأظهرت النتائج أن الأساليب التقليدية عانت بشكل كبير عند مواجهة الواقع الفوضوي وغير المتوقع لمختلف المنازل؛ حيث فشلت غالباً في التنبؤ بذروات الطلب الأعلى على الطاقة، وهي اللحظات الأكثر حرجاً لاستقرار الشبكة. وفي المقابل، أثبت النظام اللامركزي الجديد، بنموذج التعلم ثنائي المحرك، أنه دقيق بشكل ملحوظ. ففي مجموعة بيانات سيدني، حقق درجة دقة تنبؤ بلغت 0.97، مما يعني أنه رصد جميع التباينات في استخدام الطاقة الحقيقي تقريباً، وكان متوسط معدل الخطأ لديه ضئيلاً جداً بنسبة 0.74 بالمائة.
يشير هذا النجاح إلى أن مستقبل إدارة شبكات الطاقة المحلية لا يتطلب "دماغاً مركزياً" يعرف كل شيء عن الجميع. بدلاً من ذلك، يمكن للشبكة أن تعمل كمجموعة من الجيران الأذكياء، حيث يحمي كل منهم خصوصيته مع المساهمة في توقع مشترك وعالي الموثوقية. وقد أثبت الباحثون أن هذه الطريقة تعمل حتى عندما تكون البيانات فوضوية والظروف متغيرة باستمرار، مثل حالات تغير الطقس المفاجئ أو عندما يتفاوت توليد الطاقة الشمسية بشكل كبير. وبينما يتطلب النظام وقتاً أطول للتدريب مقارنة بالنماذج الأبسط، إلا أن المقابل هو مستوى من الدقة والأمان لا تستطيع الأساليب القديمة مضاهاته. وتؤكد الدراسة أنه من الممكن بناء شبكة طاقة ذكية ومتكيفة تحترم خصوصية المستخدم وتتعامل مع الطبيعة المعقدة والديناميكية للطاقة المتجددة الحديثة، مما يمهد الطريق لأنظمة طاقة محلية أكثر مرونة وكفاءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.