Power Grid Operational Risk Assessment Based on Source-Grid Multi- dimensional Feature Fusion and Multi-gate Mixture-of-Experts Model
تقترح هذه الورقة طريقة لتقييم المخاطر التشغيلية لشبكة الطاقة باستخدام نموذج خليط الخبراء متعدد البوابات (MMoE) الذي يدمج سمات المصدر والشبكة متعددة الأبعاد ومحاكاة أخطاء التوزيع التجريبية لتحقيق تنبؤ عالي الدقة وقابلية تفسير تكيفية لمخاطر التوازن الزماني والمكاني في الأنظمة المتكاملة مع الطاقة المتجددة.
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
لم تعد الشبكة الكهربائية الحديثة مجرد طريق ذي اتجاه واحد حيث تتدفق الطاقة من المصانع الضخمة إلى المنازل، بل أصبحت نظاماً معقداً ذا اتجاهين، حيث تعمل الطقس نفسه كمولد للطاقة. ومع تحول الأمم نحو الطاقة النظيفة، تحل توربينات الرياح والألواح الشمسية محل محطات الطاقة التقليدية. ومع ذلك، فإن الشمس لا تشرق دائماً، والرياح لا تهب دائماً بنفس القوة. هذا عدم اليقين يخلق عملية توازن دقيقة؛ فإذا تم توليد الكثير من الطاقة المتجددة في وقت واحد، يمكن أن تصبح الشبكة مثقلة بالأحمال، مما يضطر المشغلين إلى هدر الطاقة النظيفة. وإذا تم توليد قدر قليل جداً، فقد تعاني الشبكة لتلبية الطلب، مما يعرضها لخطر انقطاع التيار الكهربائي. وتتطلب إدارة هذا التوتر معرفة متى وأين ستظهر هذه المخاطر بالضبط، لكن العدد الهائل من المتغيرات يجعل هذه مهمة شاقة للمخططين البشريين.
لقد طور باحثون في شركة "State Grid Jiangsu Electric Power Co., Ltd" وشركة "State Grid Nanjing Power Supply Company" طريقة جديدة لرؤية هذه المخاطر قبل وقوعها. فقد أنشأوا نظاماً حاسوبياً يعمل مثل موزع عمليات ذي خبرة عالية، قادر على التعلم من الماضي للتنبؤ بالمستقبل. وبدلاً من الاعتماد على قواعد بسيطة أو النظر في بيانات الرياح والطاقة الشمسية بشكل منعزل، يقوم هذا النظام بدمج المعلومات من مصادر الطاقة، والشبكة المادية للأسلاك، وتاريخ كيفية سلوك الشبكة بمرور الوقت. ومن خلال الجمع بين هذه الأنواع المختلفة من المعلومات، يمكن للنظام تحديد خطرين محددين: خطر الاضطرار إلى إهدار الطاقة المتجددة بسبب عدم القدرة على استخدامها، وخطر عدم وجود طاقة كافية لإبقاء الأضواء مشتعلة.
ولتعليم نظامهم ما يجب البحث عنه، كان على الباحثين أولاً إنشاء ساحة تدريب واقعية. فقد بنوا محاكاة تفصيلية تحاكي كيفية عمل مشغلي الشبكة فعلياً. تعمل هذه المحاكاة على مرحلتين: أولاً، تقوم بالتخطيط لليوم التالي بناءً على توقعات الطال، حيث تقرر أي محطات الطاقة يجب أن تعمل وكم مقدار طاقة الاحتياط التي يجب تجهيزها. ثم تمر المرحلة الثانية التي تحاكي ما يحدث عندما يصل الطقس الفعلي، والذي غالباً ما يختلف عن التوقعات. ومن خلال تشغيل هذه المحاكاة آلاف المرات مع احتمالات مختلفة للأخطاء في توقعات الطقس، يولّد النظام مكتبة ضخمة من سيناريوهات "ماذا لو". وتعمل هذه السيناريوهات كنموذج للإجابة، حيث تُعلم الحاسوب كيف يبدو الوضع الخطير في الحياة الواقعية.
إن جوهر طريقتهم الجديدة هو نموذج تعلم متطور يسمى "خليط الخبراء متعدد البوابات" (multi-gate mixture-of-experts). تخيل فريقاً من المتخصصين، لكل منهم مجال تركيز مختلف. أحد المتخصصين خبير في قراءة جداول البيانات الرقمية، مثل كمية طاقة الرياح أو الطاقة الشمسية المتوقعة وكمية الكهرباء التي من المرجح أن يستهلكها الناس. ومتخصص آخر خبير في الخرائط، يفهم التخطيط المادي لخطوط الطاقة والروابط بين المدن المختلفة وكيف تؤثر على تدفق الكهرباء. والمتخصص الثالث خبير في الوقت، يراقب كيف يتغير إنتاج الرياح والطاقة الشمسية ساعة بس الساعة لرصد الاتجاهات الخطيرة.
في الأنظمة القديمة، يحاول نموذج واحد القيام بكل شيء في آن واحد، وغالباً ما يرتبك عندما تتعارض أنواع مختلفة من المعلومات. أما في هذا النهج الجديد، يستخدم النظام لوحة توزيع ذكية، أو آلية "بوابة"، لتقرير أي متخصص يجب أن يقود الحوار في أي لحظة معينة. فإذا كان الخطر ناتجاً عن انخفاض مفاجئ في طاقة الرياح، يستمع النظام إلى المتخصص الذي يتتبع الوقت. وإذا كان الخطر ناتجاً عن اختناق في خطوط الطاقة، فإنه يستمع إلى خبير الخرائط. وهذا يسمح للنظام بالتعامل مع مشكلتين متضادتين في نفس الوقت: خطر إهدار الطاقة وخطر نفاد الطاقة. وغالباً ما يتحرك هذان الخطران في اتجاهين متعاكسين، وهو موقف يربك النماذج الأبسط، لكن هذا النهج القائم على الفريق يتنقل عبر هذا الصراع بسلاسة.
تظهر نتائج اختباراتهم أن هذه الطريقة تعمل بدقة عالية. فعندما تم اختبار النظام على بيانات حقيقية من شبكة طاقة إقليمية، حدد بدقة الحالات التي سيتم فيها إهدار الطاقة المتجددة بنسبة 92.7% من الوقت. كما حدد بدقة الحالات التي ستواجه فيها الشبكة نقصاً في الطاقة بنسبة 84.2% من الوقت. ولعل الأهم من ذلك، أن النظام لا يكتفي فقط بإعطاء تحذير، بل يشرح السبب أيضاً. ولأن النظام يعرف أي متخصص كان الأكثر نشاطاً في اتخاذ القرار، فإنه يستطيع إخبار المشغلين بمكان المشكلة بالضبط. يمكنه الإشارة إلى مجموعة محددة من خطوط الطاقة التي تتعرض للضغط، أو وقت محدد من اليوم من المرجح أن تهدأ فيه الرياح.
تعد هذه القدرة على شرح منطقهم طفرة كبيرة. فالعديد من البرامج المتقدمة هي "صناديق سوداء"، بمعنى أنها تعطي إجابة دون إظهار العمل المنجز، مما يترك المشغلين البشريين غير متأكدين مما إذا كان بإمكانهم الوثوق بالتحذير. لكن هذا النظام الجديد شفاف؛ إذ يمكنه تتبع الخطر وصولاً إلى مصدره، موضحاً أن نقصاً محتملاً في الطاقة يعود إلى مزيج معين من توقعات الرياح المنخفضة وخط طاقة محمل بكثافة في منطقة معينة. وفي حالة اختبار واحدة، حدد النظام بشكل صحيح أن مجموعة معينة من "الحافلات" (buses)، أو نقاط الاتصال في الشبكة، كانت المصادر الرئيسية للمخاطر، مطابقةً الظروف الفعلية لليوم تماماً. حتى أنه ميز بين الحافلات التي يتم فيها إهدار الطاقة فعلياً وتلك التي يكون فيها الخطر مرتفعاً ببساطة بسبب تدفق الكهرباء بالقرب منها.
وجد الباحثون أن النظام جيد بشكل خاص في تجنب الإنذارات الكاذبة عند التنبؤ بالطاقة المهدرة، حيث يصيب بدقة 92.7% مع معدل خطأ منخفض جداً. وعند التنبؤ بنقص الطاقة، يكون أكثر حذراً قليلاً، حيث يطلق الإنذار بشكل متكرر أكثر لضمان السلامة، وهو السلوك المطلوب لنظام مصمم لمنع انقطاع التيار الكهربائي. ومن خلال الجمع بين المحاكاة الواقعية لعمليات الشبكة ونموذج تعلم قائم على الفريق، ابتكر الباحثون أداة لا تتنبأ بالخطر فحسب، بل تنير الطريق لحله أيضاً. يوفر هذا النهج طريقة واضحة وقابلة للتفسير لإدارة التوازن المعقد والمتغير لشبكة طاقة حديثة، مما يضمن بقاء التحول نحو الطاقة النظيفة مستقراً وموثوقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.