تواجه الشبكات الكهربائية منخفضة الجهد تحديات عديدة نتيجة للزيادة في توليد الطاقة الشمسية وتزايد الطلب على شحن السيارات الكهربائية ومضخات الحرارة. هذه التحديات تلقي بظلالها على الحدود التشغيلية لما تتطلبه الشبكات من حلول فعالة ودقيقة. في دراسة جديدة تم نشرها على arXiv، يسلط الباحثون الضوء على حلول مبتكرة لإدارة الازدحام باستخدام خوارزميات تعلم التعزيز (Reinforcement Learning) بأسلوب فريد يدمج بين تقنيتين متقدمتين.

تختلف هذه الدراسة عن الأساليب السابقة عبر فصل عملية اكتشاف الازدحام عن عملية التحكم به، حيث تجمع بين مصنف انتهاك يعتمد على غابات عشوائية (Random Forest) ووحدة تحكم تعتمد على مبدأ الممثل الناقد (Actor-Critic). هذا الدمج يوفر إطار عمل قوي يمكنه التكيف مع قياسات غير دقيقة ونماذج شبكية غير مثالية.

تم اختبار التقنية الجديدة على شبكة كهربائية حقيقية ذات جهد منخفض، مستخدمين سيناريوهات تشغيل مستقبلية تحاكي ظروفًا مع تدني قابلية الملاحظة والتحكم. أظهرت النتائج أن مع إعدادات الشبكة الدقيقة، تمكنت وحدة التحكم من تقليل مجمل انتهاكات الشبكة بنسبة 98.9%، مما يعكس فعالية أسلوبهم حتى في ظل وجود ضوضاء عالية في القياسات. وعلى الرغم من أن التحديات المرتبطة باختلاف نموذج الشبكة مثّلت عقبة، فإن وحدة التحكم كانت لا تزال قادرة على تقليل معظم انتهاكات الشبكة تحت الافتراضات المختبرة.

يمثل هذا البحث خطوة مهمة نحو تحسين أداء الشبكات الكهربائية في عصر يتزايد فيه الاعتماد على مصادر الطاقة المتجددة. كيف ترون مستقبل الابتكارات في إدارة الشبكات الكهربائية؟ شاركونا آراءكم في التعليقات.