تتزايد أحداث الطقس القاسية مثل الأعاصير بشكل ملحوظ، مما يجعل الحاجة إلى استعادة أنظمة الطاقة بكفاءة وعدالة أكثر إلحاحاً من أي وقت مضى. غالباً ما تعتمد مزودات الكهرباء في اتخاذ قرارات استعادة الكهرباء على حجم طلبات الاستعادة من المناطق المختلفة، مما ينتج عنه تباينات كبيرة في تقديم الطلبات، حيث تميل المجتمعات المحرومة إلى تقديم عدد أقل من الطلبات. هذه الفجوة تخلق نظاماً غير عادل، مما يترك هذه المجتمعات معرضة لمدد طويلة من انقطاع الكهرباء.

لمعالجة هذه المشكلة، يطرح الباحثون استراتيجية تستند إلى العدالة تسمى EPOPR (Predict-Then-Optimize for Power Restoration) التي توازن بين كفاءة الاستعادة والعدالة بين المجتمعات. ومع ذلك، فإن تحقيق هذا الهدف يمثل تحدياً في ظل وجود عوامل عدة، مثل صعوبة التنبؤ بمدد الإصلاح تحت ظروف بيانات غير متناسقة، وميول وكيل التعلم المعزز (Reinforcement Learning) إلى تفضيل الإجراءات ذات الشكوك المنخفضة، مما قد يعيق العدالة.

لتجاوز هذه التحديات، تم تطوير إطار العمل EPOPR الذي يتكون من مكونين رئيسيين: (1) انحدار الكوانتي المقارب للعدالة (Equity-Conformalized Quantile Regression) لتقدير مدد الإصلاح مع مراعاة الشكوك، و(2) التعلم المعزز الانتباهي الزماني-المكاني (Spatial-Temporal Attentional RL) الذي يتكيف مع مستويات عدم اليقين المتغيرة عبر المناطق لتحسين قرارات الاستعادة.

تظهر النتائج التجريبية أن استراتيجية EPOPR تقلل بشكل فعال مدة انقطاع الكهرباء بنسبة 3.60% وتقلل الفجوة بين المجتمعات المختلفة بمعدل 14.19% مقارنةً بالأساليب المتطورة الحالية. هذه النتائج تمثل خطوة مهمة نحو تحقيق أنظمة طاقة أكثر عدالة وكفاءة بعد الكوارث.