في ظل التقدم التكنولوجي المستمر، أصبحت الشبكات الذكية القابلة للشفاء (Self-Healing Smart Grids) من أهم الابتكارات في مجال إدارة الطاقة. تُتيح هذه الشبكات تكوين الشبكة الخاصة بها بشكل سريع خلال حالات الانقطاع الكهربائي لتقليل تأثيرها على المستهلكين. عند حدوث انقطاع، يمكن اتخاذ عدة إجراءات مثل تغيير تكوين الشبكة عبر عمليات التبديل أو تخفيف الحمل الطارئ.

ومع ذلك، تواجه الطرق التقليدية للتعلم الآلي بعض التحديات، خاصة فيما يتعلق ببطء استجابتها وارتفاع تكلفتها الحسابية مما يجعلها غير مناسبة بشكل كبير للشبكات الذكية. ولتجاوز هذه المعوقات، بدأت الدراسات الأخيرة تستكشف استخدام التعلم المعزز (Reinforcement Learning) لأتمتة عملية تغيير تكوين الشبكة.

يتكون مركز هذه الدراسات من نماذج الشبكات العصبية (Neural Networks) التي تعتمد على البيئات الشبكية (Graph Neural Networks - GNN). ومع ذلك، تواجه الشبكات العصبية التقليدية حدودًا عند التعامل مع معلومات النطاق الترددي، حيث قد تفشل في التقاط العلاقات المهمة في هذا النطاق. معلومات النطاق الترددي تكون مفيدة بشكل خاص لنمذجة الأنماط الهيكلية العالمية والتفاعلات على مستوى النظام في شبكات الطاقة.

في هذه الورقة، نقدم إطارًا لتعلم التعزيز باستخدام الشبكات العصبية الطيفية (Spectral Graph Neural Networks) لإدارة الأعطال في الشبكات التوزيعية، بهدف تعزيز قدرة النظام على الصمود. يتعلم نموذجنا سياسة إعادة الطاقة المثلى باستخدام هذه الشبكات العصبية الطيفية، وقد قمنا بتقييم الطريقة المقترحة على ثلاثة أنظمة اختبار معدلة من IEEE: الشبكة ذات 13 بوابة، والشبكة ذات 34 بوابة، والشبكة ذات 123 بوابة. أظهرت نتائج التجارب أن نهجنا يحقق أداءً قريبًا من الأمثل في الوقت الحقيقي ويعمم بشكل جيد عبر مجموعة واسعة من سيناريوهات الأعطال.