Large Language Model-Assisted Zoning for Heterogeneous Automatic Voltage Control in Renewable-Rich Regional Power Grids

لم تعد الشبكة الكهربائية الحديثة مجرد شارع ذي اتجاه واحد حيث تتدفق الطاقة بثبات من محطات الفحم أو الغاز الضخمة إلى المنازل والمصانع. اليوم، هي شبكة ديناميكية ثنائية الاتجاه تتغذى بشكل متزايد من توربينات الرياح والألواح الشمسية. هذه المصادر المتجددة نظيفة وضرورية، لكنها أيضاً متقلبة؛ فالرياح تتوقف عن الهبوب وتمر السحب فوق حقول الطاقة الشمسية، مما يتسبب في تقلب كمية الكهرباء التي تولدها بشكل حاد. هذا عدم اليقين يخلق تحدياً محدداً لمشغلي الشبكة: الحفاظ على استقرار الجهد. الجهد هو الضغط الكهربائي الذي يدفع التيار عبر الأسلاك؛ فإذا ارتفع كثيراً، يمكن أن يتلف المعدات، وإذا انخفض كثيراً، تخفت الأضواء وتتعطل المحركات. في الشبكة التقليدية، كان بإمكان المشغلين الاعتماد على محطات طاقة ضخمة ومستقرة لتعديل مخرجاتها وتنعيم هذه التقلبات. ولكن مع وجود الآلاف من مزارع الرياح والطاقة الشمسية المتناثرة، تصبح الشبكة نسيجاً معقداً حيث يمكن لزيادة الطاقة أو نقصها في منطقة ما أن يتسبب في تذبذب الجهد بشكل خطير في منطقة أخرى. تتطلب إدارة هذا الأمر نظاماً يمكنه اتخاذ قرار فوري بشأن أي مصادر الطاقة يجب أن تعدل مخرجاتها وبأي مقدار، وهي مهمة أصبحت صعبة للغاية على القواعد الموحدة والقياسية وحدها.

في دراسة حديثة، اقترح باحثون من شركة "State Grid Shanxi Electric Power" في الصين طريقة جديدة لإدارة هذا التعقيد من خلال التعامل مع أجزاء الشبكة المختلفة بطرق مختلفة، مسترشدين بأداة ذكاء اصطناعي تُعرف بالنموذج اللغوي الكبير. فبدلاً من إجبار كل مزرعة شمسية وتوربين رياح على اتباع نفس مجموعة التعليمات بالضبط، طور الفريق نظاماً ينظر أولاً إلى الظروف المحلية للشبكة ليقرر أي استراتيجية هي الأنسب لكل منطقة محددة. لقد قسموا الشبكة إلى مناطق بناءً على كيفية تفاعل مصادر الطاقة مع الجهد المحلي. في بعض المناطق، حيث يكون الجهد مستقراً بطبيعته، يطلب النظام ببساως من محطات الطاقة الحفاظ على كمية ثابتة ومحددة مسبقاً من القدرة غير الفعالة (reactive power)—وهي نوع من الدعم الكهربائي الذي يساعد في الحفاظ على الجهد دون تقديم طاقة فعلية للمنازل. وفي مناطق أخرى حيث تكون تقلبات الجهد أكثر وضوحاً، ينتقل النظام إلى وضع تقوم فيه المحطات بتتبع وتصحيح الجهد بنشاط، تماماً مثل منظم الحرارة (thermostat) الذي يعدل السخان للحفاظ على درجة حرارة الغرفة عند مستوى معين.

ومع ذلك، فإن الجزء الأكثر تعقيداً في الشبكة يتضمن المناطق التي ترتبط فيها العديد من محطات الطاقة ببعضها البعض بشكل وثيق وتؤثر بقوة على بعضها البعض. هنا، إذا حاولت كل محطة إصلاح الجهد بمفردها، فقد ينتهي بها الأمر بالعمل ضد بعضها البعض، مما يخلق شد وجذب فوضوياً يهدر الطاقة ويجهد المعدات. ولحل هذه المشكلة، قدم الباحثون طريقة تنسيق متطورة باستخدام نوع من الذكاء الاصطناعي يسمى "السياسة المتجهة الحتمية العميقة متعددة الوكلاء" (multi-agent deep deterministic policy gradient). في هذا الإعداد، يحدد متحكم مركزي إجمالي مقدار دعم الجهد المطلوب للمجموعة بأكملها، ثم يعمل الذكاء الاصطناعي كحكم عادل، ليقرر بالضبط مقدار العمل الذي يجب أن تقوم به كل محطة فردية لتحقيق ذلك الهدف. يضمن هذا توزيع العبء بالتساوي وضمان عدم إجهاد محطة واحدة بينما تظل المحطات الأخرى خاملة.

ولاتخاذ هذه القرارات، استخدم الباحثون نموذجاً لغوياً كبيراً ليس لتوليد الأوامر النهائية، بل ليعمل كمخطط رفيع المستوى. قام هذا الذكاء الاصطناعي بتحليل الحالة الراهنة للشبكة، بما في ذلك مخرجات مزارع الرياح والطاقة الشمسية، وتخطيط خطوط الطاقة، وتاريخ تقلبات الجهد. وبناءً على هذه البيانات، أوصى بكيفية تجميع محطات الطاقة، وما هي استراتيجية التحكم التي يجب استخدامها لكل مجموعة، وما هي الإعدادات الأولية التي يجب تطبيقها. وإذا فشل النظام في خطته الأولية في اختبار السلامة—بمعنى أن الجهد لا يزال ينحرف بعيداً عن النطاق الآمن—فإن الذكاء الاصطناعي يراجع النتائج، ويتعلم من الخطأ، ويقترح تعديلات على التجميع أو الإعدادات. سمحت هذه الدورة من التخطيط والاختبار والتنقيح للنظام بالتكيف مع الظروف المتغيرة دون تدخل بشري.

اختبر الفريق هذا النهج على نسخة محاكاة لشبكة طاقة حقيقية، تم نمذجتها بناءً على نظام اختبار قياسي يحتوي على تسعة وثلاثين نقطة اتصال، تضم ثماني مزارع رياح وثماني محطات طاقة شمسية. وقارنوا طريقتهم المرنة الجديدة بالاستراتيجيات القديمة التي تطبق قاعدة واحدة على الشبكة بأكملها. وأظهرت النتائج أن الطريقة الجديدة كانت أكثر فعالية بشكل ملحوظ في الحفاظ على استقرار الجهد. فقد قللت من عدد المرات التي يخرج فيها الجهد عن النطاق الآمن بنسبة تقارب 88 بالمائة مقارنة بعدم وجود أي تحكم خاص على الإطلاق، وقللت من تلك الانتهاكات بأكثر من 40 بالمائة مقارنة بأفضل طريقة موحدة موجودة حالياً. علاوة على ذلك، حقق النظام الجديد توازناً أفضل في عبء العمل؛ ففي الطرق القديمة، كانت بعض المحطات تُجبر غالباً على إجراء تغييرات كبيرة ومفاجئة بينما لا تفعل المحطات الأخرى شيئاً، مما يؤدي إلى تآكل غير متساوٍ. وقد عمل النهج الجديد على تنعيم هذه التعديلات، مما قلل من حجم التغييرات التي تقوم بها كل محطة بنحو 30 بالمائة، ومنع الحالات التي قد تلغي فيها المحطات جهود بعضها البعض عن طريق الخطأ.

كان أحد النتائج الرئيسية للدراسة هو أن قدرة النموذج اللغوي الكبير على تنقيح مقترحاته أحدثت فرقاً ملموساً. فعندما سمح الباحثون للذكاء الاصطناعي بتعديل الأهمية التي يوليها لأهداف مختلفة—مثل إعطاء الأولوية لاستقرار الجهد مقابل موازنة عبء العمل بين المحطات—أدى ذلك إلى أداء أفضل للنظام. ففي المناطق الأكثر صعوبة وربطاً وثيقاً، قلل النظام المحسن بالذكاء الاصطناعي من أخطاء الجهد بنسبة تقارب 19 بالمائة ومن عدم التوازن في عبء العمل بأكثر من 70 بالمائة مقارنة بطريقة التحكم القياسية. يشير هذا إلى أن مستقبل إدارة الشبكة قد لا يكمن في مجموعة واحدة جامدة من القواعد، بل في أنظمة ذكية يمكنها النظر إلى الخصائص الفريدة لحي محلي من محطات الطاقة وتقرر الطريقة المثلى للحفاظ على استمرار تدفق الكهربات. وتؤكد الدراسة أنه من خلال الجمع بين منطق التحكم المصمم بشرياً والقدرة على الاستنتاج التكيفي للنماذج اللغوية الكبيرة، من الممكن إنشاء شبكة أكثر مرونة وكفاءة قادرة على التعامل مع المستويات العالية من الطاقة المتجددة المطلوبة لمستقبل منخفض الكربون.