في ثوانٍ.. الذكاء الاصطناعي يتنبأ باستهلاك الطاقة ويخفض الانبعاثات الكربونية

قد يصبح التخطيط لاستهلاك الطاقة وخفض الانبعاثات الكربونية أسرع وأكثر دقة بفضل نموذج جديد للذكاء الاصطناعي قادر على التنبؤ بأنماط استهلاك الطاقة خلال ثوانٍ.

ويتيح النموذج لمديري الطاقة التخطيط مسبقًا للطلب المتوقع على الكهرباء، واختبار إجراءات لتغيير توقيت الاستهلاك، ودمج مصادر الطاقة المتجددة، إلى جانب اكتشاف أوجه عدم الكفاءة قبل أن تتحول إلى استهلاك فعلي للطاقة وانبعاثات كربونية.

ووفقًا لبحث نُشر في International Journal of Information and Communication Technology، يعتمد النظام على نموذج يجمع بين شبكات الخصومة التوليدية (GAN) القائمة على المحولات، والتحسين الإحصائي البايزي، بهدف رفع كفاءة التنبؤ بأداء استهلاك الطاقة والانبعاثات.

الذكاء الاصطناعي يتعلم أنماط استهلاك الطاقة

يعتمد النموذج الجديد على نوع من تقنيات التعلم الآلي يعرف باسم شبكات الخصومة التوليدية (GANs).

وتعمل هذه الأنظمة من خلال شبكتين عصبيتين تتنافسان فيما بينهما بهدف إنتاج بيانات اصطناعية تبدو واقعية، ما يساعد النموذج على تعلم الأنماط المعقدة الموجودة في البيانات الحقيقية.

وفي الدراسة، أضاف الباحثون تقنية التحسين الإحصائي البايزي إلى النموذج، بهدف الوصول إلى أفضل أداء ممكن من خلال ضبط مكوناته اعتمادًا على النتائج المتاحة.

والهدف النهائي هو أن يتمكن النظام من فهم العلاقات المعقدة داخل بيانات استهلاك الطاقة والانبعاثات، بما في ذلك الأنماط التي قد يصعب على نماذج التنبؤ التقليدية التقاطها.

اختبار النموذج على 2000 سجل للطاقة والانبعاثات

اختبر الباحثون النموذج باستخدام 2000 سجل للساعة تتعلق باستهلاك الطاقة والانبعاثات.

وجرى جمع البيانات من مجموعة من المصادر، شملت العدادات الذكية، وأنظمة إدارة المباني، وشبكات الطاقة الصناعية.

وقبل تدريب النموذج، عمل الفريق على معالجة البيانات من خلال إزالة الإشارات المرتبطة بالبيانات المفقودة، إلى جانب حذف القيم الشاذة، بهدف تطبيع المدخلات وتحسين جودة البيانات المستخدمة في عملية التنبؤ.

وأظهرت النتائج أن النموذج تمكن من إنتاج توقعات تتطابق بدرجة كبيرة مع بيانات استهلاك الطاقة الفعلية التي جرى رصدها.

لكن اللافت أن عملية تدريب النموذج وتشغيله لم تستغرق سوى بضع ثوانٍ.

وهذه السرعة تمنح النظام أهمية عملية، خصوصًا في البيئات التي تتغير فيها أنماط الطلب على الطاقة بسرعة، والتي تحتاج إلى اتخاذ قرارات تشغيلية في وقت قصير.

ماذا يمكن أن يفعل النموذج قبل إنتاج الكهرباء؟

لا تقتصر أهمية النموذج على التنبؤ بحجم استهلاك الطاقة.

فالباحثون يرون أن السيناريوهات التي ينتجها الحاسوب يمكن أن تمنح مشغلي أنظمة الطاقة فرصة لاختبار مجموعة من الإجراءات قبل تنفيذها على أرض الواقع.

ومن بين هذه الإجراءات اختبار تدابير نقل الطلب على الطاقة، بحيث يتم تحويل جزء من الاستهلاك من أوقات الذروة إلى أوقات أخرى أكثر ملاءمة.

كما يمكن استخدام السيناريوهات لدراسة كيفية دمج مصادر الطاقة المتجددة في النظام، ومعرفة تأثير ذلك على أنماط الاستهلاك والإنتاج.

ويستطيع النموذج كذلك المساعدة في تحديد أوجه عدم الكفاءة التي قد تؤدي إلى استهلاك إضافي للطاقة أو زيادة في الانبعاثات، قبل أن تظهر آثارها بصورة فعلية أثناء عملية توليد الطاقة واستخدامها.

وهذا يفتح الباب أمام تحول مهم في إدارة الطاقة: بدلًا من الاستجابة للمشكلة بعد حدوثها، يمكن استخدام الذكاء الاصطناعي للتنبؤ بها واختبار الحلول مسبقًا.

لماذا تواجه النماذج التقليدية صعوبة؟

تتعامل أنظمة الطاقة مع أنماط استهلاك شديدة التعقيد، ولا تتحرك وفق منحنيات ثابتة يمكن التنبؤ بها بسهولة.

فالاستهلاك قد يرتفع أو ينخفض بصورة مفاجئة، كما يمكن أن تظهر قمم وقيعان حادة في الطلب خلال فترات زمنية قصيرة.

إضافة إلى ذلك، يتأثر استهلاك الطاقة بعدد كبير من العوامل الخارجية، ما يجعل العلاقة بين المتغيرات غير خطية ومعقدة.

وتواجه نماذج التنبؤ التقليدية صعوبة في التعامل مع هذه الأنماط، خصوصًا عندما تتداخل التغيرات المفاجئة مع عوامل متعددة في الوقت نفسه.

أما النموذج الجديد، فيستفيد من قدرة تقنيات التعلم الآلي على اكتشاف العلاقات المعقدة داخل كميات البيانات، مع استخدام التحسين البايزي للوصول إلى الإعدادات الأكثر كفاءة للنظام.

من التنبؤ باستهلاك الطاقة إلى خفض الكربون

تكمن أهمية الدراسة في أنها لا تتعامل مع استهلاك الطاقة باعتباره هدفًا منفصلًا عن الانبعاثات.

فكلما تمكن مشغلو أنظمة الطاقة من التنبؤ بالطلب بدقة أكبر، أصبح بإمكانهم التخطيط بصورة أفضل لكيفية تلبية هذا الطلب، ومتى يتم استخدام مصادر الطاقة المختلفة، وكيف يمكن تقليل أوجه الهدر.

وتوفر السيناريوهات الحاسوبية وسيلة لاختبار خيارات متعددة قبل اتخاذ القرار، بما قد يساعد على تحسين كفاءة استخدام الطاقة وخفض كمية الانبعاثات الناتجة عن عمليات التوليد.

ويُعرف هذا النهج باسم تحسين الطاقة المراعي للكربون، أي أن قرارات إدارة الطاقة لا تستند فقط إلى كمية الطاقة المطلوبة، وإنما تأخذ أيضًا في الاعتبار الأثر الكربوني المترتب على تلبية هذا الطلب.

تطبيقات تمتد من المصانع إلى شبكات الطاقة

يمكن تطبيق هذه التقنية في المواقع الصناعية التي تمتلك قدرات داخلية لتوليد الكهرباء، حيث تحتاج المنشآت إلى موازنة استهلاكها وإنتاجها الداخلي، مع تقليل تكاليف الطاقة والانبعاثات في الوقت نفسه.

كما يمكن توسيع نطاق استخدامها ليشمل أنظمة الطاقة الأوسع، بما في ذلك البيئات التي تتداخل فيها مصادر توليد مختلفة وأنماط استهلاك متغيرة.

وفي المستقبل، يمكن لمثل هذه النماذج أن تصبح جزءًا من منظومات إدارة الطاقة الذكية، بحيث تعمل بصورة مستمرة على تحليل البيانات، والتنبؤ بالطلب، واختبار السيناريوهات، واقتراح الإجراءات التي تحقق أفضل توازن بين استقرار الطاقة والكفاءة وخفض الانبعاثات.

وتشير الدراسة في النهاية إلى اتجاه متزايد في قطاع الطاقة: استخدام الذكاء الاصطناعي ليس فقط لمعرفة كمية الطاقة التي سيحتاجها النظام، وإنما لفهم متى وكيف ولماذا يستهلكها، وما الإجراءات التي يمكن اتخاذها لجعل إنتاجها واستخدامها أكثر كفاءة وأقل تأثيرًا على المناخ.

ومع التوسع العالمي في مصادر الطاقة المتجددة والحاجة إلى إدارة شبكات أكثر تعقيدًا، يمكن أن يصبح الجمع بين التنبؤ السريع والسيناريوهات الافتراضية والتحسين المراعي للكربون أداة مهمة في بناء أنظمة طاقة أكثر ذكاءً ومرونة واستدامة.