تعد الشبكات الذكية أحد العناصر الأساسية في تطوير بنية الطاقة الحديثة، ولتحقيق التشغيل الجيد والموثوق، يكون تحسين تدفق الطاقة (OPF) أمراً حيوياً. لكن التحديات الحالية المتعلقة بنماذج التعلم الآلي المستخدمة تعيق هذه العملية، حيث تفتقر الكثير من النماذج المستندة إلى التعلم الفعلي إلى البنية التحتية اللازمة لتدريب نماذج الشبكة المعقدة، أو تقتصر على إعدادات محدودة من شكل الشبكة.

في خطوة مبتكرة، تم تطوير نموذج شبكي هجيني يمكنه التوسع بشكل كبير، وذلك باستخدام شبكة عصبية قائمة على HydraGNN. هذا النموذج يساهم في نمذجة OPF بطريقة تعتمد على البيانات، ويحتفظ بالحفاظ على الأنواع المختلفة للعقد والروابط في أنظمة الطاقة، والتي تضم المحطات، مولدات الطاقة، الأحمال، والعديد من الأجهزة الأخرى.

مدعومًا بأفضل أجهزة الحاسوب الفائقة مثل ORNL Frontier، تم إجراء تجارب على ثلاثة ملايين نموذج مختلف، مما أتاح الحصول على نماذج مضغوطة ذات حوالي 1.6 إلى 1.7 مليون معلمة. أظهرت النتائج أن تحسين الأداء من خلال ضبط المعلمات (HPO) يعزز من دقة النماذج ويساهم في تسريع عملية التدريب.

تمت تجربة النموذج على تصنيفات مختلفة، مما أثبت أن التحسين الدقيق للنماذج المحضرة مسبقًا يتمتع بقدرة فائقة على تحسين الدقة في حالة البيانات المحدودة، وتخفيض تكاليف التكيف اللازمتين.

مع استمرار تقدم الأبحاث في مجالات الشبكات الذكية وتحسين تدفق الطاقة، يبدو أن هذا النموذج يمثل خطوة ناجحة نحو تحسين فعالية الطاقة وكفاءة الشبكات. هل أنتم متحمسون لرؤية كيف ستؤثر هذه الابتكارات في المستقبل؟ شاركونا آراءكم في التعليقات!