في عصر تتسارع فيه التحولات نحو الطاقة المستدامة، تتزايد الحاجة لتطوير حلول مبتكرة في إدارة أنظمة توزيع الطاقة. تمثل "البرمجة القائمة على القرارات" (Decision-Focused Optimization) إحدى الأدوات الفعالة لمواجهة التحديات الناتجة عن الطلب المرن وتوليد الطاقة المتجددة.

تستند البرمجة القوية القائمة على التوزيع (Distributionally Robust Optimization - DRO) على سيناريوهات توقعية لبناء مجموعات غموض. إلا أن الأساليب التقليدية في توليد السيناريوهات غالبًا ما تركز على الدقة، مما يؤدي إلى إغفال الترابط المكاني بين الشكوك. هذه الفجوة يمكن أن تفضي إلى مجموعات غموض قد تبدو معقولة إحصائيًا، لكنها قد تكون غير مثالية لعمليات التشغيل اللاحقة.

في سعيهم لمعالجة هذه القضية، يقدم الباحثون إطار عمل جديد يمكنه توليد سيناريوهات مرتبطة بشكل فعال لحل مشاكل توزيع الطاقة القائمة على DRO. بدلاً من تدريب النماذج لتحاكي توزيع الشكوك التاريخي فقط، يركز هذا الإطار على تحسين السيناريوهات المنتجة وفقًا لتكاليف التشغيل المحتملة التي قد تطرأ لاحقًا.

يأتي هذا الإطار ليعزز النماذج التوليدية المعروفة مثل "المشغلات التلقائية المتغيرة" (Variational Autoencoders) و"الشبكات التنافسية التوليدية" (Generative Adversarial Networks) و"نماذج الانتشار" (Diffusion Models)، حيث يتعامل مع التوزيع المشترك للشكوك عبر المواقع المختلفة. ولتعزيز سهولة الحساب، تم تطوير محدد سيناريوهات قابل للاشتقاق، بحيث يمكنه اختيار السيناريوهات ذات الصلة بالقرار من مجموعة تم توليدها، مما يتيح تدريب السيناريو داخل نفس الإطار الموجه للقرارات.

أظهرت الدراسات التطبيقية أن هذا الإطار الجديد يقلل فعليًا من تكاليف التشغيل بنسبة تتراوح بين 0.80%-2.02% مقارنة بالطرق التقليدية التي تركز على الدقة. يُظهر هذا التطور الواعد كيف يمكن للابتكارات الحديثة في الذكاء الاصطناعي أن تساهم في تحسين كفاءة نظم الطاقة، مما يفتح آفاقاً جديدة أمام مهندسي الطاقة وصناع القرار في هذا المجال.