في عصر تطور الشبكات الذكية (Smart Grids)، أصبحت القدرة على توقع الأعطال بدقة أمرًا حيويًا للغاية لمواجهة الطلب المتزايد على الطاقة والتحديات التشغيلية الحديثة. ومع ذلك، تعاني الأنظمة الحالية المعتمدة على الذكاء الاصطناعي من صعوبة في ضمان موثوقيتها في البيئات المتغيرة، حيث تحتاج إلى التكيف مع أنواع الأعطال الجديدة والمناطق التشغيلية المختلفة.

لذا، قدم الباحثون إطار التعلم المستمر (Continual Learning) في سياق الشبكات الذكية، مما يعني أن النموذج سيتطور مع البيئة المحيطة. هذا الإطار الجديد يتضمن تصميم أربعة سيناريوهات تقييم واقعية تعتمد على التعلم المعزز (Class-Incremental) والتعلم على نطاقات جديدة (Domain-Incremental) لتقليد ظروف الشبكة المتغيرة.

نقدم أيضًا تقنية ProDER (Prototype-based Dark Experience Replay)، التي تعتبر نهجًا موحدًا قائمًا على إعادة التشغيل، يجمع بين تنظيم الميزات المعتمدة على النماذج، تقطير النتائج، وذاكرة إعادة التشغيل الموجهة بالنماذج. أظهرت ProDER أداءً متفوقًا بين تقنيات التعلم المستمر، حيث سجلت انخفاضات في دقة توقع أنواع الأعطال بمقدار يصل إلى 0.032 وعلى توقع مناطق الأعطال بمقدار يصل إلى 0.033 عبر سيناريوهات مختلفة.

تؤكد هذه النتائج على الجدوى العملية لنظام التعلم المستمر الفعال من حيث الموارد، مما يقلل من العبء الحاسوبي وتخزين البيانات اللازمة للحفاظ على خدمات توقع الأعطال الذكية في بنية الطاقة المتطورة.