مع تزايد اعتماد السيارات الكهربائية (EV)، تواجه أنظمة الطاقة تحديات متزايدة، إذ يرتفع الطلب على الطاقة بشكل ملحوظ، مما قد يؤدي إلى عدم استقرار الشبكة الكهربائية. وللأسف، فإن المعلومات الأساسية المتعلقة بوقت مغادرة المركبات كثيرًا ما تكون غير متاحة، مما يعقد عملية اتخاذ قرارات شحن فعالة.

لكن هنا يأتي دور الذكاء الاصطناعي في تغيير المشهد! بواسطة التعلم المعزز (RL) يمكن أن يتم التحكم بذكاء في عملية شحن السيارات الكهربائية، حيث يقوم النظام بتعلم الأنماط الزمنية والسياقية من البيانات التاريخية. ومع ذلك، فإن عدم توفر معلومات دقيقة مثل وقت المغادرة يُصعّب على وكيل التعلم المعزز تطوير سياسة شحن فعالة.

للحد من هذا الغموض، يمكن استخدام نماذج توقعية تكون مدربة بشكل خاص لتقريب الميزات الغير معروفة من البيانات المتاحة. لكن، هذه النماذج غالبًا ما تكون مصممة بهدف تحقيق الدقة فقط، مما يؤدي إلى احتمالية عدم دقة في التأثير على جودة قرارات الوكيل.

لذلك، تم اقتراح إطار عمل جديد يُعرف بـ "التعلم المعزز الموجه نحو القرار" (Decision-Focused RL - DF-RL). يتم تدريب النموذج التوقعي بشكل شامل، بحيث يتلقى ملاحظات من الأفعال الناتجة عن سياسة الشحن المُعتمدة من قبل وكيل التعلم المعزز. يسهم هذا التدريب المشترك في تحسين جودة القرارات المتخذة، حيث أظهرت نتائج هذا الإطار تحسنًا يصل إلى 14% في العائد الإجمالي و55% في تقليص الطاقة غير الموردة التي لم تُشحن بسبب مغادرة السيارة.

يمكن لهذا الابتكار أن يُحدث ثورة في طريقة إدارة الطاقة عند الشحن، خاصة في ظل الظروف المعقدة التي تواجهها الشبكات الكهربائية اليوم. هذه المساهمة تتجه نحو خلق مستقبل أكثر استدامة وفعالية لشحن السيارات الكهربائية.