ثورة في التحكم بالشبكات الكهربائية: التعلم المعزز الهيراركي مع درع السلامة في الوقت الحقيقي!
تقديم نظام تحكم هيراركي مبتكر يحقق السلامة أثناء تشغيل الشبكات الكهربائية، مع قدرة على التعامل مع الحالات الطارئة دون إعادة تدريب. يعزز هذا النظام من أمان التحكم ويحقق فعالية أعلى في مواجهة التحديات.
تعد الشبكات الكهربائية من العناصر الحيوية للمنظومات الحديثة، ومع تزايد الأعباء عليها، أصبح تحسين أدائها ضرورة حيوية. ربما يمثل التعلم المعزز (Reinforcement Learning) مستقبل التشغيل الذكي لهذه الشبكات، إلا أن تطبيقاته ما زالت محدودة بسبب متطلبات السلامة الصارمة. في هذا السياق، تم اقتراح إطار عمل جديد يجمع بين التعلم المعزز الهيراركي (Hierarchical Reinforcement Learning) والآليات التي تضمن السلامة في الوقت الحقيقي.
هذا الإطار المتطور يفصل بين عملية اتخاذ القرارات الطويلة الأمد والالتزام بالقيود الفيزيائية الفورية. تعمل سياسة التعلم العليا على اقتراح إجراءات تحكم مجردة، بينما يقوم درع السلامة في الوقت الحقيقي بتصفية الإجراءات غير الآمنة عبر محاكاة سريعة للأحداث المستقبلية.
هذا النظام يضمن وجود معايير سلامة ثابتة، بغض النظر عن جودة السياسة أو توزيع التدريب. وقد تم اختبار الإطار المقترح على مجموعة مختبرات Grid2Op تحت ظروف قياسية واختبارات تحت ضغط انقطاع الخطوط، بالإضافة إلى تنفيذ مباشر على الشبكات الكبيرة دون الحاجة لإعادة تدريب.
أظهرت النتائج أن السياسات التقليدية للتعلم المعزز أصبحت هشة في وجه الضغوط، بينما الأنظمة المعتمدة على السلامة وحدها كانت محافظة جداً. في المقابل، تمكنت الطريقة الهيراركية المعتمدة على السلامة من تحقيق بقاء أطول خلال الأحداث، وتقليل حمل الخطوط القصوى، وضمان نتائج قوية في حالات الشبكات غير المعروفة.
تظهر هذه النتائج أن السلامة والقدرة على التعميم في السيطرة على الشبكات الكهربائية يمكن تحقيقها بشكل أفضل من خلال تصميم هيكلي مدروس بدلاً من الاعتماد على تعقيد كبير في هندسة المكافآت، مما يوفر مسارًا عمليًا نحو أنظمة تحكم مدعومة بالتعلم وقابلة للتطبيق في أنظمة الطاقة الحقيقية.
هذا الإطار المتطور يفصل بين عملية اتخاذ القرارات الطويلة الأمد والالتزام بالقيود الفيزيائية الفورية. تعمل سياسة التعلم العليا على اقتراح إجراءات تحكم مجردة، بينما يقوم درع السلامة في الوقت الحقيقي بتصفية الإجراءات غير الآمنة عبر محاكاة سريعة للأحداث المستقبلية.
هذا النظام يضمن وجود معايير سلامة ثابتة، بغض النظر عن جودة السياسة أو توزيع التدريب. وقد تم اختبار الإطار المقترح على مجموعة مختبرات Grid2Op تحت ظروف قياسية واختبارات تحت ضغط انقطاع الخطوط، بالإضافة إلى تنفيذ مباشر على الشبكات الكبيرة دون الحاجة لإعادة تدريب.
أظهرت النتائج أن السياسات التقليدية للتعلم المعزز أصبحت هشة في وجه الضغوط، بينما الأنظمة المعتمدة على السلامة وحدها كانت محافظة جداً. في المقابل، تمكنت الطريقة الهيراركية المعتمدة على السلامة من تحقيق بقاء أطول خلال الأحداث، وتقليل حمل الخطوط القصوى، وضمان نتائج قوية في حالات الشبكات غير المعروفة.
تظهر هذه النتائج أن السلامة والقدرة على التعميم في السيطرة على الشبكات الكهربائية يمكن تحقيقها بشكل أفضل من خلال تصميم هيكلي مدروس بدلاً من الاعتماد على تعقيد كبير في هندسة المكافآت، مما يوفر مسارًا عمليًا نحو أنظمة تحكم مدعومة بالتعلم وقابلة للتطبيق في أنظمة الطاقة الحقيقية.
