كشفت دراسة حديثة نُشرت في مجلة "Discover Energy" أن توظيف خوارزميات الذكاء الاصطناعي في إدارة أنظمة هجينة تجمع بين الطاقة الشمسية وطاقة الرياح وتخزين الكهرباء بالبطاريات، يمكن أن يخفض استيراد الكهرباء من الشبكة بنسبة 14.8%، مع تقليل استهلاك البطاريات وإطالة عمرها التشغيلي.
تصميم نظام متكامل بطبقات تحكم متعددة
يعتمد النظام المقترح على مصفوفة ألواح شمسية باستطاعة 100 كيلوواط، ونظام لتوليد الكهرباء من الرياح باستطاعة 50 كيلوواط، إلى جانب بطارية ليثيوم أيون بسعة 60 كيلوواط ساعة، وترتبط هذه المكونات عبر ناقل تيار مستمر مشترك بجهد 800 فولت.
يستخدم النظام خوارزمية لتتبع نقطة الاستطاعة القصوى للألواح الشمسية، فيما يتصل نظام الرياح بالشبكة الداخلية عبر مقوم نشط يعتمد التحكم في العزم الأمثل، وتُدمج البطاريات من خلال محول ثنائي الاتجاه يسمح بالشحن والتفريغ.
إدارة طاقة مدعومة بالذكاء الاصطناعي
تتمثل أبرز مكونات التصميم في طبقة لإدارة الطاقة مدعومة بالذكاء الاصطناعي، تعمل على فترات زمنية تبلغ 60 ثانية، بالاستناد إلى شبكة عصبية للتنبؤ بالإشعاع الشمسي وسرعة الرياح، وخوارزمية تعلم معزز عميق تُعرف باسم "DDPG"، لتحديد مستويات الطاقة التي ينبغي شحن البطارية أو تفريغها بها.
تعمل هذه المنظومة بالتوازي مع طبقات تحكم أسرع، إذ تتولى طبقة إشرافية مهامها كل 100 مللي ثانية، فيما تعمل طبقة التحكم بالأجهزة كل 100 ميكروثانية. وتتولى طبقة إشرافية وسيطة وضع حدود لأوامر الذكاء الاصطناعي، بما يضمن استمرار الامتثال لمتطلبات الشبكة حتى في حال تعطل خوارزميات الذكاء الاصطناعي.
نتائج المحاكاة والأداء التشغيلي
اختبر الباحثون النظام باستخدام برنامج "MATLAB/Simulink" عبر سيناريو اضطرابات متتابعة استمر 6 ثوانٍ، ومحاكاة لإدارة الطاقة على مدار 24 ساعة استندت إلى بيانات بدقيقة واحدة ليوم ربيعي نموذجي في مدينة بونه الهندية.
أظهرت النتائج كفاءة لتتبع نقطة الاستطاعة القصوى بلغت 99.46%، مع زمن استقرار قدره 28 مللي ثانية، وتموج في الحالة المستقرة بنسبة 0.45%. كما حافظ النظام على تنظيم جهد ناقل التيار المستمر ضمن نطاق ±1.5% من الجهد الاسمي.
خفض الاستيراد وإطالة عمر البطاريات
على صعيد إدارة الطاقة، خفضت خوارزمية التعلم المعزز العميق استيراد الكهرباء اليومي من الشبكة من 190 إلى 162 كيلوواط ساعة، أي بنسبة 14.8% مقارنة بنظام تحكم تقليدي قائم على قواعد محددة. وعزت الدراسة هذا التحسن إلى شحن البطاريات استباقيًا قبل ذروة الطلب المسائية، والاستفادة من فائض إنتاج الطاقة الشمسية خلال فترة الظهيرة.
أظهر اختبار شمل أربعة أيام تمثل فصولًا مختلفة أن نسب خفض استيراد الكهرباء تراوحت بين 11.9% و16.2%، بمتوسط مرجح موسمي بلغ 14.6%. وامتدت المكاسب إلى عمر البطاريات، إذ انخفض عدد دورات الشحن والتفريغ الكاملة من 1.4 إلى 1.1 دورة يوميًا، ما أسهم في تأجيل وصول البطارية إلى نهاية عمرها التشغيلي من 11.2 سنة إلى 13 سنة.
تحليل اقتصادي ومقارنة بالخوارزميات
أظهر التحليل الاقتصادي، باستخدام نموذج التكلفة المستوية للطاقة، انخفاضًا بنسبة 9.5% في تكلفة الكهرباء مقارنة بالنظام التقليدي، لتصل إلى 0.057 دولار لكل كيلوواط ساعة، مقابل 0.063 دولار في النظام المرجعي.
قارن الباحثون أداء خوارزمية "DDPG" بخوارزميات أخرى للتعلم المعزز شملت "PPO" و"SAC" و"TD3"، وأظهرت النتائج أن "DDPG" قدمت أفضل توازن بين الدقة والتكلفة، رغم أن "SAC" و"TD3" حققتا نتائج قريبة بفارق 1% إلى 2%، لكنهما احتاجتا إلى وقت تدريب يزيد بنحو 1.9 إلى 2.1 مرة.
تكلفة التنفيذ والتحديات المقبلة
ولإثبات إمكانية التنفيذ على أجهزة متاحة تجاريًا، وزع الباحثون مهام التحكم على ثلاثة أجهزة، وقدرت التكلفة الإجمالية المتكررة للأجهزة بنحو 110 دولارات عند التصنيع بكميات متوسطة.
لكن الدراسة لا تزال قائمة على المحاكاة، ولم تخضع النتائج لاختبارات تجريبية أو اختبارات للأجهزة ضمن بيئة تحاكي التشغيل الفعلي، وهو ما حدده الباحثون بوصفه الخطوة التالية. وتشمل مراحل التطوير المقبلة الانتقال إلى وضع تشكيل الشبكة، واستبدال خوارزمية "DDPG" بصيغة محسنة تفرض قيودًا على السياسات، واختبار وحدة التحكم على منصة "OPAL-RT" للمحاكاة في الزمن الحقيقي، وتوسيع دراسات الأمن السيبراني.



