تواجه أنظمة الطاقة الحديثة تحديات متمثلة في التعقيدات التشغيلية الناجمة عن دمج مصادر الطاقة المتجددة، وتفويض الزرع، والحاجة إلى اتخاذ قرارات في الوقت الفعلي عبر نطاقات زمنية واسعة. بالأسلوب التقليدي، تعتمد معالجة هذه الصعوبات على طرق تعتمد على النماذج، والتي رغم دقتها، غالبًا ما تكون بطيئة للتجاوب مع الطلبات التشغيلية.

في هذا السياق، برز تعلم الآلة (Machine Learning - ML) كبديل أسرع يعتمد على البيانات. مع كون تكوين الشبكة الكهربائية يلعب دورًا مركزيًا في عملية تشغيل أنظمة الطاقة، فإن الطرق المعتمدة على تعلم الآلة القائم على الرسوم البيانية (Graph Machine Learning - GML) تقدم إطار عمل طبيعي لدمج الاعتماديات التكتيلية كإمالة استدلالية.

لقد قمنا بمسح ما يقرب من 800 ورقة بحثية تتناول التفاعل بين GML وأنظمة الطاقة، تغطي مجالات التنبوء، تقدير الحالة، تحسين العمليات، التحكم، تشخيص الأعطال، والأمن السيبراني. تعتبر أنظمة الطاقة بيئة اختبار غنية بشكل غير عادي لتطبيق تقنيات GML، حيث تجمع بين القيود الفيزيائية الصعبة، الديناميكيات متعددة المقاييس، المتطلبات الحرجة للسلامة، والبيانات المحدودة داخل مجال معرفي محدد جيدًا.

من ناحية أخرى، يمكن لأنظمة الطاقة الاستفادة من GML لتكملة الحلول الكلاسيكية، حيث توفر GML تقديرات قابلة للتوسع وواعية بالتنظيم الشبكي مع عموميات واعدة وكفاءة حسابية.

لكن هناك تحديات قائمة، منها محدودية تطبيقات العالم الحقيقي والحاجة إلى نماذج قابلة للتفسير في السياقات الحرجة للسلامة. على الرغم من زيادة عدد المنشورات بسرعة، فإن المعايير القياسية والمجموعات المفتوحة تظل نادرة، مما يجعل العديد من النتائج صعبة الاستنساخ ويضعف المصداقية العلمية الطويلة الأجل للمجال.

ندعو المجتمع العلمي إلى prioritizing الدراسات المخصصة للمعايير وإصدار مجموعات بيانات ونماذج مفتوحة لضمان تحسين التكرار عبر الدراسات المختلفة.