في خطوة مبتكرة نحو تحسين فعالية الشبكات الكهربائية، تم تطوير إطار عمل لتعلم العمليات (Operator Learning) يهدف إلى تقديم تقريب دقيق للاستجابة الديناميكية للمولدات المتزامنة. تعتمد هذه التقنية المتقدمة على تصميم نموذج شبكة عصبية قادر على التفاعل بشكل فعال مع محاكيات الشبكات الكهربائية، مما يسهم في تجاوز التجهيزات التقليدية.

بدأ الباحثون بتطوير شبكة عميقة لتعلم العمليات (Deep Operator Network - DeepONet)، التي تتميز بقدرتها على تقليل الأبعاد غير المحدودة لحل مشكلة المولدات. الفكرة هنا هي الاستفادة من البيانات لتقديم حلول دقيقة ومحسنة لاستجابة المولدات على مدى زمني محدد.

اعتمدت الدراسة على إنشاء نظام عددي يحاكي استجابة المولدات، وذلك عبر استخدام مدخلات متعددة الأبعاد تصف تفاعل المولد مع شبكة الكهرباء. كما تم اقتراح نظام متبقي (Residual DeepONet) يتضمن دمج المعلومات من النماذج الرياضية الموجودة، مما يعزز من دقة التنبؤ.

يتضمن الابتكار أيضاً استراتيجية تجميع بيانات (DAgger) تسمح بتحسين نماذج DeepONet انطلاقاً من البيانات المجمعة التي يتوقع أن تواجهها خلال المحاكاة التفاعلية مع مكونات الشبكة الأخرى.

كإثباتٍ للمفهوم، أظهرت النماذج الجديدة فعالية كبيرة في تقريب النموذج العابر لمولد متزامن، ما يفتح آفاقاً جديدة في عالم تقنيات الطاقة الذكية.