Smart Grid Stability Analysis Using Machine Learning and a Cost-Sensitive Stacked Ensemble Classifier

لم تعد الشبكة الكهربائية الحديثة شارعاً ذا اتجاه واحد حيث تتدفق الطاقة بصمت من محطة بعيدة إلى المنزل؛ بل تطورت لتصبح "شبكة ذكية"، وهي عبارة عن شبكة معقدة وحية يمكن فيها للكهرباء أن تتحرك في اتجاهات متعددة، مدعومة بالشمس والرياح، وتدار من قبل آلاف المشاركين الأفراد الذين يمكنهم تعديل استهلاكهم في الوقت الفعلي. وبينما يعد هذا التحول بمستقبل طاقة أنظف وأكثر مرونة، فإنه يفرض نوعاً جديداً من الخطر. نظرًا لأن مصادر الطاقة متغيرة والطلب غير متوقع، فإن التوازن بين العرض والاستهلاك يمكن أن يختل فجأة. وعندما ينكسر هذا التوازن، يمكن أن تصبح الشبكة غير مستقرة، مما يؤدي إلى ارتفاعات مفاجئة في الجهد، أو مشكلات في التردد، أو حتى انقطاعات واسعة النطاق في التيار الكهربائي. ويتمثل التحدي الذي يواجه المهندسين في رصد هذه التحولات الخطيرة قبل حدوثها، ولكن سلوك هذه الشبكات الحديثة يتسم بالفوضوية وعدم الخطية لدرجة أن الصيغ الرياضية التقليدية غالباً ما تجد صعوبة في مواكبتها.

في هذا السياق، لجأ فريق من الباحثين من كلية جايبور للهندسة وشركة ماكس برين تكنولوجيز (Maxbrain Technologies) إلى نوع مختلف من الأدوات: تعلم الآلة. فبدلاً من محاولة كتابة معادلة مثالية لكل سيناريو محتمل، قاموا بتعليم الكمبيوتر كيفية التعرف على أنماط الشبكة السليمة مقابل الشبكة المتعثرة. وباستخدام مجموعة ضخمة مكونة من عشرة آلاف سجل محاكى من معيار مرجعي قياسي، حلل الفريق كيفية تداخل عوامل مختلفة — مثل سرعة استجابة الناس لتغيرات الأسعار، وكمية الطاقة التي يتم توليدها، ومدى مرونة الطلب — لخلق الاستقرار أو عدم الاستقرار. لم يكن هدفهم مجرد التنبؤ بالمستقبل، بل بناء نظام يتميز بقدرة استثنائية على رصد اللحظات النادرة والخطيرة التي توشك فيها الشبكة على الفشل، حتى لو كانت تلك اللحظات أقل شيوعاً من الأوقات الهادئة.

بدأ الباحثون بتنظيف وتنظيم هذه البيانات، والتي تضمنت تفاصيل حول أربعة عقد مختلفة في شبكة لامركزية. وبحثوا في كيفية ارتباط هذه المتغيرات ببعضها البعض، ووجدوا أنه بينما كانت بعض الروابط مباشرة، فإن الصورة الحقيقية لصحة الشبكة تعتمد على مزيج معقد من جميع العوامل التي تعمل معاً. اختبروا أولاً عدة نماذج لتعلم الآلة القياسية لمعرفة ما إذا كان بإمكانها التنبؤ بـ "مؤشر استقرار" مستمر، وهو رقم يشير إلى مدى قرب الشبكة من الوقوع في المشكلات. وكانت النتائج مذهلة؛ إذ تمكنت النماذج التي تعمل عن طريق بناء العديد من أشجار القرار الصغيرة، مثل "الغابة العشوائية" (Random Forest) وطريقة تسمى "XGBoost"، من التنبؤ بهذا المؤشر بدقة تقارب الكمال، حيث طابقت الواقع المحاكى دون خطأ تقريباً. وفي المقابل، عانت النماذج الخطية الأبسط، التي تفترض وجود علاقة خط مستقيم بين المتغيرات، في استيعاب التعقيد الحقيقي للنظام.

وبعد إثبات قدرة الكمبيوتر على فهم الأرقام، انتقل الفريق إلى المهمة الأكثر حرجاً وهي التصنيف: أي تحديد ما إذا كانت الشبكة "مستقرة" أم "غير مستقرة". هذا هو السؤال الثنائي الذي يهم السلامة أكثر من غيره. وقارنوا بين ثلاث خوارزميات قوية: طريقة تبني الأشجار بشكل متسلسل لتصحيح أخطائها الخاصة، وتقنية تفصل البيانات بهامش أمثل، وغابة من أشجار القرار التي تصوت على الإجابة. برزت طريقة الأشجار المتسلسلة، المعروفة باسم XGBoost، كأقوى أداء فردي، حيث حددت حالة الشبكة بشكل صحيح في أكثر من 95 بالمائة من الحالات. والأهم من ذلك، أنها رصدت ما يقرب من 97 بالمائة من السيناريوهات غير المستقرة. وفي عالم حماية الشبكات، يعد تفويت حدث غير مستقر أكثر خطورة من إرسال إنذار خاطئ عن حالة مستقرة، لذا فإن معدل الكشف المرتفع هذا أمر حيوي.

ومع ذلك، أدرك الباحثون أن الاعتماد على نموذج واحد ليس كافياً. ولرفع الموثوقية إلى أبعد من ذلك، قاموا ببناء "مجمع متراكم" (Stacked Ensemble). تخيل فريقاً من الخبراء حيث يمتلك كل عضو طريقة مختلفة في النظر إلى المشكلة؛ فبدلاً من سؤال شخص واحد، تسألهم جميعاً، ثم يقوم قاضٍ نهائي بوزن آرائهم لاتخاذ القرار النهائي. في هذه الدراسة، دمج الفريق أربعة مصنفات أساسية، بما في ذلك الأداء الأعلى XGBoost، وغذوا تنبؤاتهم في صانع قرار نهائي. ومن الأهمية بمكان أنهم أضافوا طبقة "حساسة للتكلفة" إلى هذه العملية. في النظام العادي، يكون الخطأ مجرد خطأ، أما في هذا التصميم الحساس للتكلفة، فقد تم تعليم النظام أن تصنيف شبكة غير مستقرة على أنها مستقرة هو خطأ كارثي، لذا يتم معاقبته بشدة أكبر على هذا النوع المحدد من الأخطاء، مما يجبر النظام على أن يكون شديد اليقظة تجاه الخطر.

وكانت نتيجة هذا النهج المدمج قفزة كبيرة في الأداء. حقق النظام الجديد، الذي يسميه المؤلفون "المصنف المجمع الحساس للتكلفة" (Cost-Sensitive Stacked Ensemble Classifier)، دقة بلغت 98.34 بالمائة. وقد نجح في تحديد الظروف غير المستقرة بحساسية بلغت 99 بالمائة، مما يعني أنه لم يفتِ أي أحداث خطيرة تقريباً، مع الحفاظ أيضاً على مستوى عالٍ من الدقة للظروف المستقرة. وأظهرت "مصفوفة الارتباك" (Confusion Matrix)، وهي مخطط يوضح أين ارتكب النموذج أخطاءه، أن عدد الشبكات غير المستقرة الخطيرة التي تم تصنيفها بشكل غير صحيح على أنها آمنة ظل عند مستوى منخفض للغاية. وهذا يثبت أنه من خلال الجمع بين طرق تعلم متنوعة وإعطاء الأولوية لرصد المخاطر، يمكن للنظام التعامل مع واقع بيانات الشبكة الفوضوي وغير المتوازن بشكل أفضل بكثير مما يمكن لأي خوارزمية منفردة القيام به بمفردها.

خلصت الدراسة إلى أن هذا الإطار يوفر طريقة بسيطة وقوية لمراقبة صحة الشبكة الذكية في الوقت الفعلي. وبينما تم اختبار العمل الحالي على مجموعة بيانات عامة من السجلات المحاكة، يقترح المؤلفون أن الخطوات التالية تتضمن اختبار هذه الأساليب على تدفقات بيانات حية من أنظمة طاقة فعلية واستخدام تقنيات تحسين متقدمة لضبط النماذج تلقائياً. كما يخططون لمعالجة تحدي عدم توازن البيانات بشكل مباشر، لضمان بقاء النظام قوياً مع تطور الشبكة مع التغيرات الموسمية والمصادر المتجددة الجديدة. وفي الوقت الحالي، تؤكد النتائج أن تعلم الآلة، عندما يتم توجيهه بالأولويات الصحيحة، يمكن أن يعمل كنظام إنذار مبكر موثوق، مما يساعد في إبقاء الأنوار مضاءة في عالم طاقة يزداد تعقيداً.