مهندس موريتاني ينشر بحثًا علميًا حول توظيف الذكاء الاصطناعي في تطوير أنظمة الطاقة الكهربائية

نشر النقيب المهندس سيد عبد الله الوافي بحثًا علميًا متخصصًا في الهندسة الكهربائية، في مجلة Electric Power Systems Research، الصادرة عن دار النشر العالمية Elsevier، والمعنية بأبحاث أنظمة الطاقة الكهربائية.

ويحمل البحث عنوان Fast and Robust Probabilistic AC Power Flow via a Hybrid MLP/Newton-Raphson Framework، ويتناول تطوير مقاربة حسابية هجينة تجمع بين تقنيات الذكاء الاصطناعي والطرق العددية التقليدية، بهدف تسريع تحليل الشبكات الكهربائية وتحسين كفاءة حساب تدفق القدرة، مع الحفاظ على دقة النتائج وموثوقيتها.

ويقترح البحث إطارًا يجمع بين الشبكات العصبية الاصطناعية متعددة الطبقات (MLP) وخوارزمية نيوتن–رافسون (Newton–Raphson)، المستخدمة على نطاق واسع في حساب تدفق القدرة وتحليل أداء أنظمة الطاقة الكهربائية.

وتقوم الفكرة الأساسية للدراسة على تدريب نموذج للذكاء الاصطناعي للتنبؤ بمقادير الجهود الكهربائية وزوايا أطوارها، ثم استخدام هذه التنبؤات بوصفها قيمًا ابتدائية لخوارزمية نيوتن–رافسون، بما يسهم في تقليل عدد التكرارات الحسابية اللازمة للوصول إلى الحل.

وأوضح المهندس الموريتاني أن أهمية هذه المقاربة تكمن في الجمع بين سرعة التنبؤ التي توفرها الشبكات العصبية الاصطناعية ودقة الحل العددي الذي تتيحه خوارزمية نيوتن–رافسون، بما يسمح بالاستفادة من مزايا التقنيتين لتطوير أساليب أكثر كفاءة في تحليل الشبكات الكهربائية.

وتكتسب هذه الأبحاث أهمية متزايدة في ظل التحديات التي تواجه أنظمة الطاقة الحديثة، خصوصًا تقلبات الأحمال وتغير ظروف تشغيل الشبكات والتوسع في دمج مصادر الطاقة المتجددة، التي يتسم بعضها بالتغير المستمر في مستويات الإنتاج.

وفي هذا السياق، يبرز تحليل تدفق القدرة الاحتمالي بوصفه أداة لتقييم تأثير حالات عدم اليقين المختلفة على أداء الشبكات الكهربائية. وتتطلب هذه الدراسات عادة تنفيذ أعداد كبيرة من الحسابات والمحاكاة، ما يرفع الكلفة الحسابية ويجعل تسريع العمليات الحسابية هدفًا مهمًا في تطوير أدوات التحليل الهندسي.

واعتمدت الدراسة على محاكاة مونت كارلو لتمثيل حالات عدم اليقين، من خلال إدخال تغيرات متزامنة على حقنات القدرة الكهربائية ومعلمات خطوط النقل، واختبار الإطار المقترح على شبكات كهربائية معيارية مختلفة الأحجام، من بينها شبكات IEEE ذات 9 و39 و118 عقدة.

وأظهرت النتائج العددية، وفق ملخص البحث، قدرة الإطار المقترح على تقليل عدد التكرارات الحسابية اللازمة لخوارزمية نيوتن–رافسون، مع الحفاظ على دقة الحل. كما تناولت الدراسة الخصائص النظرية للتقارب التربيعي المحلي للخوارزمية عند استخدام تنبؤات الشبكة العصبية لتحديد نقطة البداية.

ويبرز البحث إمكانات توظيف تقنيات الذكاء الاصطناعي في معالجة المسائل الهندسية المعقدة، لا سيما في مجال أنظمة الطاقة الكهربائية، من خلال الجمع بين النمذجة الرياضية والخوارزميات العددية وتقنيات التعلم الآلي، بما قد يسهم في تطوير أدوات أكثر كفاءة لدعم تشغيل الشبكات الكهربائية وتحليلها في ظل ظروف عدم اليقين.