الشبكة الذكية
كيف يعمل الذكاء الاصطناعي على تحسين توزيع الطاقة اللحظي في الشبكة
تتفوق نماذج التعلم الآلي على منطق التوزيع القائم على القواعد في كل مقياس.
اعتمد توزيع الطاقة في الشبكة تقليديًا على منطق قائم على القواعد: إذا تجاوز الطلب عتبة معينة، وزّع هذا الأصل. أما نماذج التعلم الآلي فتتفوق بشكل متزايد على هذه القواعد من خلال تعلّم أنماط لا يمكن لأي عتبة ثابتة رصدها.
أين تقصر القواعد
تتعامل العتبات الثابتة مع كل يوم بنفس الطريقة، متجاهلة الطقس والتحولات الموسمية في الطلب والسلوك الخاص للأصول على خط تغذية معين — مما يضطر المشغلين لوضع قواعد متحفظة تُهدر قيمة معظم الوقت.
يمكن لنماذج التعلم الآلي المدربة على بيانات التوزيع التاريخية والطقس والحمل استباق ذروة طلب أو تراجع في الطاقة المتجددة قبل حدوثه، بدلًا من التفاعل مع عتبة بعد تجاوزها بالفعل.
القاعدة تخبر الشبكة بما يجب فعله عند تجاوز حد معين. أما النموذج فيخبر الشبكة بما هو على وشك الحدوث قبل أن يصبح هذا الحد ذا أهمية أصلًا.
أربعة مجالات يتفوق فيها التوزيع القائم على التعلم الآلي بالفعل
- التنبؤ بالطلب — تنبؤات بأفق زمني أقصر ودقة أعلى مقارنة بالنماذج الإحصائية التقليدية.
- التنبؤ بإنتاج الطاقة المتجددة — استباق تقلبات الطاقة الشمسية والرياح بدقة كافية لتهيئة توزيع التخزين مسبقًا.
- ترتيب أولوية الأصول — تعلّم أي مزيج من الأصول يقلل التكلفة في ظل حالة متوقعة معينة.
- كشف الحالات الشاذة — رصد الأنماط غير المعتادة التي تسبق أعطال المعدات، قبل حدوث عطل حقيقي.
لماذا لا يزال هذا بعيدًا عن الاستقلالية الكاملة
تنشر معظم شركات المرافق نماذج التعلم الآلي كدعم لقرارات المشغلين البشريين، لا كتوزيع مستقل بالكامل — فمخاطر القرار الخاطئ ببساطة أعلى من أن تسمح بإزالة الرقابة البشرية كليًا في هذه المرحلة.
يتغير هذا تدريجيًا مع تراكم سجل أداء النماذج، حيث تتوسع الاستقلالية أولًا في القرارات الأقل مخاطرة والمحددة جيدًا قبل امتدادها إلى التوزيع الحرج لسلامة النظام.
قرارات التوزيع في العقد القادم سيتخذها إنسان، لكن بناءً على معلومات من نموذج رأى المشكلة قادمة قبل أن تراها القواعد أو المشغل.
