Leakage-Safe K-Means-Assisted Multi-Objective Energy Management for a Solar and Wind–Battery Micro-grid
تقدم هذه الدراسة إطار عمل لإدارة الطاقة متعدد الأهداف، مدعوماً بخوارزمية "K-Means" وآمناً من التسرب، لشبكة ميكروية مكونة من طاقة شمسية ورياح وبطارية، والذي، رغم تحقيقه تخفيضات كبيرة في استخدام المولدات وتقليص الطاقات المتجددة مقارنة بضوابط الخط المرجعي، يحدد مرشحه الأعلى أداءً كسياسة ممثلة خضعت لفحص الجدوى بدلاً من كونه حلاً أمثلاً بشكل فريد نظراً لنتائج التحقق غير التمييزية.
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
تخيل نظام طاقة صغيرًا ومكتفيًا ذاتيًا يعمل على تشغيل مجتمع أو منشأة نائية دون الاعتماد على شبكة الكهرباء الرئيسية. هذا النظام، المعروف باسم الشبكة الصغيرة (micro-grid)، يحاول موازنة ثلاثة أجزاء متحركة: الكهرباء المولدة من الشمس والرياح، والكهرباء المخزنة في بطاريات ضخمة، والكهرباء المنتجة من مولد احتياطي. التحدي يكمن في أن الشمس لا تشرق دائمًا، والرياح لا تهب دائمًا، والناس لا يستخدمون الطاقة دائمًا في نفس الوقت. وللحفاظ على استمرار الإضاءة دون إهدار الوقود أو استنزاف البطاريات، يجب على نظام حاسوبي أن يقرر باستمرار متى يشحن البطاريات، ومتى يشغل المولد، ومتى يدخر الطاقة المتجددة لوقت لاحق. وتسمى عملية اتخاذ القرار هذه بإدارة الطاقة. فإذا أخطأ النظام في تخميناته، فقد ينفد منه التيار الكهربائي، أو قد يهدر وقودًا باهظ الثمن عبر تشغيل المولد في وقت كان يمكن فيه استخدام طاقة الشمس.
لقد سعى باحثون في جامعة كوجالي في تركيا إلى بناء طريقة أكثر ذكاءً لاتخاذ هذه القرارات. أرادوا إنشاء نظام يمكنه النظر إلى الماضي والتنبؤ بالمستقبل القريب لإدارة شبكة صغيرة تعمل بالطاقة الشمسية وطاقة الرياح ومزودة ببطارية. اعتمد نهجهم على فكرتين رئيستين؛ أولاً، استخدموا طريقة حاسوبية تسمى "الغابة العشوائية" (Random Forest)، وهي نوع من تعلم الآلة الذي يتعلم من البيانات الماضية للتنبؤ بحجم الطلب على الطاقة بعد ساعة واحدة من الآن. ثانياً، استخدموا تقنية تسمى "تجميع الوسائل الكيفية" (K-Means clustering) لتجميع أنماط الطقس والاستخدام المتشابهة معاً. فكر في هذه المجموعات كأنها "أنماط تشغيل" قد يجد النظام نفسه فيها، مثل يوم مشمس مع استخدام منخفض للطاقة، أو ليلة عاصفة مع طلب مرتفع. وكان الهدف هو معرفة ما إذا كان معرفة "النمط" الذي يتواجد فيه النظام يمكن أن يساعد الحاسوب في اتخاذ قرارات أفضل بشأن متى يستخدم البطارية ومتى يبدأ تشغيل المولد.
لقد كان الباحثون حذرين للغاية لتجنب خطأ شائع في علوم الحاسوب يسمى "تسرب البيانات" (data leakage). يحدث هذا عندما يتعلم الحاسوب من المستقبل أثناء محاولته التنبؤ بالحاضر، مما يجعل النتائج تبدو مثالية ولكنها عديمة الفائدة في العالم الحقيقي. ولمنع حدوث ذلك، قاموا بتقسيم بياناتهم إلى ثلاث فترات زمنية متميزة لا تتداخل أبداً. استخدموا الفترة الأولى لتعليم الحاسوب كيفية التنبؤ باحتياجات الطاقة وكيفية تحديد أنماط التشغيل المختلفة. واستخدموا الفترة الثانية لضبط القواعد التي سيتبعها الحاسوب، لضمان عدم نفاد الطاقة أو استنزاف البطارية بشكل مفرط. وأخيراً، قاموا بتثبيت إعدادات النظام واختباره في الفترة الثالثة، والتي لم يسبق للحاسوب رؤيتها من قبل. وقد ضمن هذا الفصل الصارم أن تعكس النتائج كيفية أداء النظام في العالم الحقيقي، وليس فقط مدى جودة حفظه للبيانات الماضية.
أظهرت نتائج هذا الاختبار الدقيق أن قدرة الحاسوب على التنبؤ بالطلب على الطاقة كانت جيدة جداً. فباستخدام طريقة "الغابة العشوائية"، استطاع النظام تخمين احتياجات الطاقة للساعة القادمة بمتوسط خطأ يبلغ حوالي 2.3 كيلوواط، وهو أفضل بكثير من مجرد افتراض أن الساعة القادمة ستكون مطابقة تماماً للساعة الحالية. ومع ذلك، وجدت الدراسة شيئاً مفاجئاً بخصوص الجزء الثاني من خطتهم؛ إذ إن إضافة مجموعات "الأنماط" المستمدة من تجميع (K-Means) لم تساعد الحاسوب فعلياً في التنبؤ بالطلب على الطاقة بشكل أفضل، حيث كانت المجموعات دقيقة تماماً كما هي بدون التصنيف الإضافي. وبناءً على ذلك، قرر الباحثون عدم استخدام المجموعات لتحسين التنبؤ نفسه، بل استخدموها لمساعدة النظام في اختيار الاستراتيجية المناسبة للتعامل مع الطاقة. فعلى سبيل المثال، إذا تعرف النظام على نمط "فائض مشمس"، فسيعرف أنه يجب شحن البطاريات؛ وإذا رأى نمط "طاقة منخفضة"، فسيعرف أن عليه الاستعداد لاستخدام المولد.
وعندما اختبروا هذا النهج الجديد مقابل الأساليب القديمة، أظهرت النتలు مقايضة واضحة. فالنظام القديم الذي كان يستجيب فقط لما يحدث في اللحظة الراهنة كان يستخدم البطارية بكثافة، مما يؤدي إلى استنزافها بسرعة لتجنب استخدام المولد. أما النظام الآخر الذي اعتمد فقط على التنبؤات، فقد كان حذراً جداً في استخدام البطارية، لكنه انتهى باستخدامه للمولد بشكل متكرر وإهدار الكثير من الطاقة المتجددة التي كان يمكن تخزينها. أظهر النظام الجديد، الذي استخدم التنبؤ بالطلب والأنماط التشغيلية لاتخاذ القرارات، مقايضات تشغيلية محددة؛ فقد قلل كمية الوقود التي يحتاجها المولد بنسبة تقارب 60 بالمائة مقارم بنظام التنبؤ فقط، كما قلل من هدر الطاقة المتجددة بنسبة تقارب 24 بالمائة. وفي الوقت نفسه، استخدم البطارية بشكل أقل من النظام التفاعلي، مما أدى إلى إطالة عمرها. ومع ذلك، جاء هذا التحسن بتكلفة معينة: فمقارنة بالأساس التفاعلي، أدى النظام الجديد في الواقع إلى زيادة استخدام طاقة المولد بنسبة تقارب 5,000 كيلوواط ساعة وزيادة هدر الطاقة المتجددة بنسبة تقارب 6,000 كيلوواط ساعة. ورغم هذه الزيادة في استخدام المولد والهدر مقارنة بالنهج التفاعلي، إلا أن النظام الجديد حافظ على مستوى آمن لشحن البطارية في معظم الأوقات، متجنباً الموقف الخطير المتمثل في انخفاض شحن البطارية بشكل كبير.
ومع ذلك، ظهر تفصيل حاسم خلال مرحلة الاختبار: فالطريقة المستخدمة لاختيار أفضل إعدادات للنظام لم تحدد في الواقع حلاً واحداً فريداً كـ "أفضل" حل. فعندما اختبر الباحثون 81 مجموعة مختلفة من تركيبات الإعدادات الممكنة، أنتجت جميعها درجات أداء متطابقة. ولأن بيانات الاختبار لم تستطع التمييز بين هذه الخيارات، فقد وصف الباحثون النظام النهائي ليس كحل أمثل رياضياً بشكل فريد، بل كـ "سياسة ممثلة خضعت لفحص الجدوى". وهذا يعني أن النظام هو نموذج صالح وعامل يلبي جميع متطلبات السلامة والموثوقية، وليس الإجابة المثالية الوحية من الناحية الرياضية. وخلصت الدراسة إلى أن هذا النهج يعمل جيداً ضمن البيئة المحاكية التي أنشؤوها. لقد نجح النظام في إدارة إمدادات الطاقة بنجاح، مع تسجيل صفر حالات لفشل الطاقة خلال فترة الاختبار. وقد حقق ذلك من خلال اتخاذ خيارات أذكى بشأن وقت تخزين الطاقة ووقت توليدها، بدلاً من مجرد التفاعل مع اللحظة أو الاعتماد على تنبؤ واحد. وأشار الباحثون إلى أنه رغم كون النتائج واعدة، إلا أنها تعتمد على محاكاة لنوع معين من البطاريات وبيانات طقس لسنة واحدة. وشددوا على أن قوة طريقتهم تكمن في قواعد الاختبار الصارمة، التي أثبتت أن النظام يمكنه التعلم من الماضي دون النظر إلى المستقبل. ويقدم هذا العمل مخططاً صلباً لكيفية بناء أنظمة إدارة الطاقة التي تكون فعالة وموثوقة في آن واحد، بشرما يتم اختبارها بنفس المستوى من العناية قبل تثبيتها في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.