تعتبر التكنولوجيا الحديثة للذكاء الاصطناعي(Artificial Intelligence) اليوم إحدى الدعائم الأساسية للتطورات في مختلف المجالات، خصوصًا في إدارة الشبكات الكهربائية الذكية. حيث تزداد الحاجة إلى تنسيق كبير للمجموعات المتعددة من الأجهزة الموجودة على حواف الشبكة (Grid-edge devices).

في هذا الإطار، تم اقتراح أسلوب جديد يُعرف باسم التعلم القائم على التدرجات متعدد الوكلاء (Gradient-Based Multi-Agent Proximal Learning) ويُختصر بـ GradMAP. يهدف نموذج GradMAP إلى تعزيز المرونة في الشبكات الكهربائية عبر تعلم مستقل لكل وكيل دون مشاركة المعلمات.

يعتمد كل وكيل على ملاحظاته المحلية الخاصة في اتخاذ القرارات الآنية، مما يعني عدم الحاجة إلى التواصل المستمر فيما بينها. وفي مرحلة التدريب غير المباشر، يستخدم GradMAP نموذج تدفق الطاقة ثلاثي الطور (Three-phase AC power-flow model) في حلقة تعلم مزدوجة، مما يمكنه من تتبع أي انتهاكات لشروط الشبكة بدقة.

لتسريع عملية التدريب، يقوم GradMAP بإعادة استخدام التدرجات البيئية المكلفة من خلال نماذج قريبة داخل منطقة ثقة، مما يجعل عملية التعلم أكثر كفاءة. ووفقًا لدراسات حالة تتعلق بإدارة 1000 وكيل للأجهزة مثل البطاريات والمضخات الحرارية، تعلم النظام سياسات غير مركزية قادرة على تقليل انتهاكات قيود تدفق الأحمال ثلاثية الطور خلال 15 دقيقة فقط من التدريب باستخدام معالج NVIDIA RTX PRO 5000.

هذه السرعة في التدريب تتفوق بثلاث إلى خمس مرات على المعايير السابقة للتعلم الذاتي القائم على التدرجات، مما يحقق كفاءة تدريب أعلى بكثير من أنظمة التعزيز متعدد الوكلاء. كما أظهرت نتائج الاختبارات خارج العينة أن GradMAP يقدم تكاليف تشغيلية من بين الأدنى وقيود انتهاك منخفضة.