Ensemble-Based Anomaly Detection for Urban Power Efficiency Towards Sustainable Energy Management

المدن كائنات حية تتنفس الكهرباء. فمن الأضواء في المنازل إلى الطاقة التي تغذي المستشفيات، يحافظ تدفق الطاقة على استمرارية الحياة الحديثة. ولكن مثل أي نظام معقد، لا يكون هذا التدفق مثاليًا دائمًا؛ فأحيانًا تُهدر الطاقة من خلال أوجه قصور خفية، أو أعطال في المعدات، أو أنماط استخدام غير منتظمة تمر دون أن يلاحظها أحد حتى تصل الفاتورة أو يتعطل النظام. إن العثور على هذه المشكلات الخفية أمر صعب لأن البيانات الناتجة عن العدادات الذكية وأجهزة الاستشعار ضخمة، وفوضوية، ومتغيرة باستمرار. والأساليب التقليدية للبحث عن الأخطاء، مثل وضع حد بسيط وانتظار تجاوز رقم معين له، غالبًا ما تفشل في رصد العلامات الدقيقة للمتاعب أو تثير إنذارات كاذبة. ولحل هذه المعضلة، يتجه الباحثون إلى فرع من علوم الحاسوب يُعرف بـ "تعلم الآلة"، حيث تتعلم الحواسيب التعرف على الأنماط دون إخبارها صراحة بما يجب أن تبحث عنه. ومن خلال تعليم هذه الأنظمة فهم ماهية "الاستخدام الطبيعي" للطاقة، يمكنها رصد السلوكيات الغريبة التي تشير إلى الهدر أو الخطر، مما يوفر مسارًا نحو مدن أكثر نظافة واستدامة.

وضع فريق من الباحثين من جامعات في الهند والعراق وماليزيا والبحرين خطة لبناء نظام يمكنه القيام بهذا الدور تمامًا لشبكات الطاقة الحضرية. كان هدفهم هو إنشاء "رقيب رقمي" يمكنه غربلة بيانات استهلاك الطاقة الخام وتحديد الشذوذ — تلك الارتفاعات أو الانخفاضات غير المنتظمة التي تشير إلى وجود خطب ما. لم يعتمدوا على طريقة واحدة لإيجاس هذه الأخطاء، بل بنوا فريقًا من أربعة نماذج حاسوبية مختلفة، لكل منها طريقته الخاصة في التعامل مع البيانات. أحد النماذج، المعروف باسم "غابة العزل" (Isolation Forest)، يعمل عن طريق تقسيم البيانات عشوائيًا لمعرفة النقاط التي تنفرد عن غيرها. ونموذج آخر، يُسمى "عامل القيم المتطرفة المحلية" (Local Outlier Factor)، ينظر في مدى ازدحام منطقة معينة من البيانات، ويحدد النقاط البعيدة جدًا عن جيرانها. ويستخدم نموذج ثالث تقنية "آلة المتجهات الداعمة أحادية الفئة" (One-Class Support Vector Machine) لرسم حدود حول السلوك الطبيعي، مع وضع علامة على أي شيء خارج هذا الخط كأمر مريب. أما النموذج الرابع والأكثر تعقيدًا فهو "المشفّر التلقائي" (Autoencoder)، وهو نوع من الشبكات العصبية الاصطناعية التي تحاول إعادة بناء البيانات التي تراها؛ فإذا واجهت صعوبة في إعادة بناء جزء من المعلومات، فإنها تفترض أن هذا الجزء غير عادي.

بدأ الباحثون بتنظيف مجموعة بيانات من سجلات الطاقة البلدية، وهو ما تضمن ملء الأرقام المفقودة، وتعديل البيانات المنحرفة، وتغيير قيم المقاييس لكي تتمكن الحاسوب من معالجتها بإنصاف. ثم قاموا بتدريب هذه النماذج الأربعة على هذه البيانات المنظفة. ولاختبار مدى كفاءتها، قاموا بمحاكاة سيناريو كانت فيه عشرة بالمائة من البيانات معروفة بأنها غير طبيعية، وهو معدل شائع لاختبار مثل هذه الأنظمة. أظهرت النت النتائج أنه بينما امتلكت جميع النماذج نقاط قوة، إلا أن "المشفّر التلقائي" برز بشكل لافت؛ فقد حقق درجة 0.9740 في مقياس يوازن بين اكتشاف المشكلات الحقيقية وتجنب الإنذارات الكاذبة، متفوقًا بذلك على النماذج الثلاثة الأخرى منفردة. كما قدمت "غابة العزل" و"عامل القيم المتطرفة المحلية" أداءً جيدًا، لكن "المشفّر التلقائي" كان الأكثر دقة في التمييز بين التقلبات الطبيعية وعدم الكفاءة الحقيقي.

ومع ذلك، أدرك الباحثون أن الاعتماد على نموذج واحد فقط قد يكون محفوفًا بالمخاطر؛ فإذا ارتكب ذلك النموذج الوحيد خطأً، سيفشل النظام بأكلِه. ولجعل الحل أكثر قوة، قاموا بدمج النماذج الأربعة في "نظام تجميعي" (Ensemble System). يعمل هذا النظام مثل لجنة: حيث لا يتم تصنيف قطعة من البيانات كشذوذ إلا إذا اتفق نموذجان على الأقل من أصل أربعة على أنها غريبة. أدى هذا النهج إلى تقليل عدد الإنذارات الكاذبة بشكل كبير. وفي اختباراتهم، حقق هذا النظام المجمع "دقة مثالية" (Perfect Precision)، مما يعني أنه كلما أطلق إنذارًا، كان صحيحًا. ورغم أن دقته الإجمالية كانت أقل قليلاً من أفضل نموذج منفرد، إلا أن هذه المقايضة كانت تستحق العناء في نظام واقعي حيث يمكن للإنذارات الكاذبة أن تهدر الوقت والموارد. كما استخدم الفريق أداة تسمى "SHAP" لتفسير سبب اتخاذ النماذج لقراراتها. وكشف هذا التحليل أن سمات محددة في البيانات، وخاصة تلك المتعلقة بأوقات ذروة الاستخدام وأنماط الاستهلاك العالي، كانت المحركات الرئيسية وراء التنبيهات.

تخلص الدراسة إلى أنه بينما تعد نماذج التعلم العميق مثل "المشفر التلقائي" أدوات قوية لرصد هدر الطاقة، فإن دمجها مع طرق أخرى يخلق شبكة أمان أكثر أمانًا وموثوقية للبنية التحتية للمدن. لقد نجح النظام في تحديد أنماط الاستهلاك غير المنتظمة دون الحاجة إلى أمثلة مُصنفة مسبقًا لكل فشل محتمل، وهي ميزة حاسمة نظرًا لأن المدن الواقعية نادرًا ما تمتلك سجلات مثالية لكل مشكلة سابقة. وأشار الباحثون إلى أن عملهم استند إلى بيانات "الحقيقة الأرضية" المحاكات، وأن الجهود المستقبلية ستحتاج إلى دمج بيانات السلاسل الزمنية في الوقت الفعلي للتعامل مع الطبيعة الديناميكية لشبكات الطاقة الحية. ومن خلال جعل حالات عدم الكفاءة غير المرئية مرئية، تقدم هذه الأنظمة خطوة عملية نحو هدف الأمم المتحدة المتمثل في توفير طاقة نظيفة وبأسعار معقولة، مما يساعد مديري المدن على حماية الموارد وضمان استخدام الطاقة التي تتدفق عبر شوارعهم بحكمة.