تعتبر إدارة تدفق الطاقة الأمثل (AC Optimal Power Flow - ACOPF) من العمليات الحسابية المرهقة لأنظمة الطاقة الكبرى، حيث تستغرق الحلول التقليدية أوقاتًا طويلة. لطالما كانت التعلم الآلي (Machine Learning) بمثابة منقذ في هذه المسألة، لكن النماذج الحالية غالبًا ما تواجه صعوبات في التكيف مع حجم الشبكة ومرونة الهيكل.

لحل هذه التحديات، تم اقتراح نموذج مبتكر يسمى الشبكة العصبية الهجينة لنقل الرسائل غير المتجانسة (Hybrid Heterogeneous Message Passing Neural Network - HH-MPNN)، الذي يجمع بين شبكة عصبية غير متجانسة (GNN) وتحويل مرن (Scalable Transformer) مع ترميز مكاني مستند إلى الفيزياء. يهدف هذا التصميم إلى نمذجة مكونات نظام الطاقة المختلفة بدقة لالتقاط الميزات المحلية بفاعلية، إلى جانب استخدام انتباه عالمي للتعامل مع الاعتماديات طويلة المدى.

عند تقييمه على مجموعة متنوعة من المعايير، بما في ذلك مجموعات بيانات PGLearn وGridFM-DataKit، أثبت HH-MPNN قدرته على تحقيق فجوة مثالية أقل من 1% عبر هيكليات شبكة تتراوح من 14 إلى 2000 حافلة. ومع ذلك، يتجاوز النموذج تحديات الطوارئ المعروفة (N-1 contingencies) من خلال تحقيق تعميم بدون زيرو (Zero-shot Generalization)، حيث يظهر فجوة مثالية تقل عن 3% في عدة حالات اختبار، بالرغم من تدريبه على هيكليات افتراضية فقط.

إضافةً إلى ذلك، تم تطوير طريقة تضمن تعميق القدرة على التكيف مع الطوارئ الحادة من خلال زيادة مستهدفة لبيانات التدريب، مما يدل على أن المحاكاة المعقدة ليست ضرورية للنماذج التي تتمتع بمرونة هيكلية. كما أثبتت التجارب الخاصة بالتعميم من حيث الحجم أن التدريب المسبق على الشبكات الصغيرة يعزز الأداء بشكل كبير على الأنظمة الكبرى.

تحقق هذه البحوث زيادة في السرعة تصل إلى 5000 مرة مقارنة بالطرق التقليدية المعتمدة على النقاط الداخلية، مما يساهم في تقدم التعلم الآلي عملياً في عمليات نظام الطاقة في الوقت الحقيقي.