مقالة بحثية

تنظيم ديناميكي لقبول المغذيات يعتمد على التعلم التعزيزي متعدد الوكلاء باستخدام مجموعة بيانات FeederBW وشبكة توزيع منخفضة الجهد مكونة من 236 قضيب توصيل

20 مشاهدة

⸱

DOI:

10.3791/72365

⸱

سبتمبر 8, 2026

 ,  ,  ,  ,  , 
1Metrology Center, Guangzhou Power Supply Bureau, Guangdong Power Grid Co., Ltd.

في هذه المقالة

ملخص

تقدم هذه الدراسة استراتيجية تنسيق ديناميكي لقبول المغذيات ذات الجهد المنخفض باستخدام التعلم التعزيزي التعاوني متعدد الوكلاء. حيث تقوم الوكلاء الأذكياء بتنسيق تشغيل المغذي، وإدارة الاحتقان، واستقرار الجهد، ودمج الطاقة المتجددة في ظل ظروف غير مؤكدة. وقد تم تقييم هذا النهج من خلال عمليات محاكاة باستخدام مجموعتي بيانات FeederBW و 236-bus.

الملخص

أدى التكامل الواسع لمصادر الطاقة المتجددة الموزعة والتوسع السريع في مغذيات الجهد المنخفض (LV) إلى ظهور تحديات تشغيلية تتعلق بقبول المغذيات وتنسيق الازدحام. قد تتسم مناهج التحكم في الجهد وإدارة المغذيات الحالية بقابلية محدودة للتوسع والتكيف في ظل التوليد المتقطع للطاقة المتجددة وظروف الشبكة المتغيرة. ولمعالجة هذه القيود، تقترح هذه الدراسة إطار عمل للتنسيق الديناميكي لقبول مغذيات الجهد المنخفض بناءً على تعاون الوكلاء الأذكياء ضمن نهج تعلم تعزيزي متعدد الوكلاء. وبخلاف استراتيجيات التحكم في الجهد التي تركز بشكل أساسي على استقرار الجهد، يدعم إطار العمل المقترح القبول الديناميكي للمغذيات من خلال التشغيل المنسق لوكلاء مسؤولين عن مراقبة المغذيات، وإدارة الازدحام، وتحديد الأولويات بناءً على حساسية الجهد. قام الوكلاء بمراقبة حالات المغذيات بشكل مستقل، وتقييم الازدحام وحساسيات الجهد، والتعاون في اتخاذ قرارات قبول المغذيات. تم تقييم إطار العمل من خلال عمليات محاكاة باستخدام مجموعة بيانات FeederBW ومجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 ناقل (bus) تحت مستويات تكامل متنوعة للطاقة المتجددة وظروف أحمال مختلفة. حقق إطار العمل المقترح معدل قبول للمغذيات بنسبة 97%، ومؤشر امتثال للجهد بنسبة 98%، وزمن استجابة للتنسيق قدره 98 ms مقاساً كزمن تنفيذ فعلي لخوارزمية التنسيق على الأجهزة المستخدمة، وسرعة تقارب بنسبة 98.5%، متفوقاً بذلك على طرق التنسيق المركزية التي تم تقييمها. كما أشارت النتائج إلى تحسن في القدرة على التكيف، والمرونة التشغيلية، وكفاءة صنع القرار اللامركزي في ظل ظروف شبكة توزيع الجهد المنخفض التي تمت محاكاتها.

المقدمة

تواجه أنظمة الطاقة الحديثة تحديات تشغيلية كبيرة بسبب ارتفاع الطلب على الكهرباء وزيادة استخدام التوليد الموزع. ويمكن أن تؤدي الاختلالات بين عرض الكهرباء والطلب عليها، أو الزيادات السريعة في التوليد الموزع، إلى فرض ضغوط مالية على شركات المرافق والمستخدمين النهائيين وتعريض استقرار الشبكة للخطر. ولذلك، تتحول البنية التحتية للكهرباء التقليدية التي تعتمد على الوقود الأحفوري وتتحكم فيها جهة مركزية نحو تصميم موزع يعتمد على الطاقة المتجددة. وقد أدى هذا التحول إلى تحسين الوصول إلى مصادر طاقة أكثر استدامة بيئياً وأقل تكلفة. ومع ذلك، فإن الطبيعة المتقطعة وغير المتوقعة للتوليد الكهروضوئي (PV) تثير مخاوف بشأن موثوقية الشبكة1,2.

يتسارع التحول العالمي في مجال الطاقة نحو نشر الأنظمة الكهروضوئية (PV) نظرًا لفوائدها البيئية وقابليتها للتوسع وانخفاض تكلفتها. ووفقًا للوكالة الدولية للطاقة المتجددة، من المتوقع أن تمثل القدرة الكهروضوئية أكثر من 22% من إمدادات الكهرباء العالمية بحلول عام 2050، كما يُتوقع أن تصبح الطاقة الشمسية الكهروضوئية مساهمًا رئيسيًا في إمدادات الكهرباء العالمية بحلول عام 20303. ويفرض هذا التكامل الواسع تحديات كبيرة على أنظمة الطاقة التقليدية، لا سيما فيما يتعلق بالاستقرار التشغيلي والموثوقية. ويعد تذبذب الجهد مصدر قلق بالغ لأن التوليد الكهروضوئي متقطع وغير قابل للتحكم في توقيت إمداده، وتصبح آثاره أكثر وضوحًا مع زيادة نسبة النفاذ عبر شبكات التوزيع والنقل4.

تؤثر التباينات في الإشعاع الشمسي بشكل مباشر على إنتاج الخلايا الكهروضوئية (PV) ويمكن أن تؤدي إلى تغيرات سريعة في الجهد. وقد تسبب حركة السحب، والتغيرات المفاجئة في الإشعاع، والعوابر في الأحمال تقلبات في الجهد لا تستطيع بنيات الشبكات الحالية استيعابها بشكل كافٍ5. وعلى الرغم من أن التقنيات التقليدية كانت فعالة في تكوينات الشبكات المركزية والمستقرة نسبياً، إلا أنها أقل ملاءمة للشبكات الموزعة بشكل متزايد. ويمكن أن تتجاوز التغيرات السريعة وثنائية الاتجاه في الجهد قدرات أنظمة الطاقة التقليدية، لا سيما في ظل الاختراق العالي للطاقة الكهروضوئية6. وقد تؤدي التقلبات غير المنضبطة إلى انتهاك حدود الجهد، والتأثير على الأحمال الحساسة، وتعريض سلامة الشبكة للخطر.

لذلك، حفّز دمج الأحمال الذكية والموارد الموزعة في شبكات التوزيع تطوير استراتيجيات تحكم أكثر تقدماً. ويمكن لأنظمة التحكم الذكية التي تقوم بمراقبة وتنسيق المعدات الموزعة باستمرار أن تساعد في التخفيف من التحديات في شبكات الجهد المنخفض (LV) التي تتميز بتوليد موزّع عالٍ7. كما يؤدي دمج الأنظمة الكهروضوئية (PV) على نطاق واسع إلى خلق صعوبات تشغيلية في التوليد الحراري، لا سيما عندما ينخفض إنتاج الأنظمة الكهروضوئية وتضطر الوحدات الحرارية إلى الاستجابة بسرعة، مما يتجاوز أحياناً حدود معدل التغيير (ramp-rate limits)8. وفي الوقت ذاته، يجب أن توازن برامج الاستجابة للطلب (DR) بين الاستدامة طويلة المدى والجدوى الاقتصادية9.

يمكن لبرامج الاستجابة للطلب (DR) دعم دمج التوليد الموزع مع المساعدة في موازنة العرض والطلب على الكهرباء. وتُصنف هذه البرامج إلى استجابة للطلب قائمة على السعر أو استجابة للطلب قائمة على الحوافز (IBDR). تشجع الاستجابة للطلب القائمة على السعر المستهلكين على تعديل استخدام الكهرباء استجابةً للتعريفات المتغيرة زمنياً، بينما توفر الـ IBDR حوافز مالية ثابتة أو متغيرة لخفض الاستهلاك عند الطلب10. ومع ذلك، فإن الاستجابة للطلب القائمة على السعر تعرض المستهلكين لتقلبات أسعار الجملة وتوفر مرونة تشغيلية محدودة من منظور شركة المرافق، مما قد يثبط المشاركين الذين يتجنبون المخاطر11,12.

بحثت دراسات عديدة في الاستجابة للطلب القائمة على الحوافز (IBDR) في أنظمة التوزيع الغنية بالأنظمة الكهروضوئية (PV). حيث قيمت إحدى الدراسات التحديات والفوائد المترتبة على دمج IBDR مع اختراق عالٍ للأنظمة الكهروضوئية، ولكنها ركزت على استخدام الطاقة المجمعة بدلاً من أنظمة إدارة الطاقة المنزلية على مستوى الأسرة13. واقترحت دراسة أخرى طريقة لإدارة الجهد قائمة على الحوافز، يتم فيها التحكم في تشغيل البطاريات بشكل غير مباشر عبر إشارات التسعير للحفاظ على حدود الجهد، على الرغم من أن الطلب المنزلي لم يتم نمذجته بشكل صريح14. كما نظرت طريقة تعتمد على المنطق الضبابي (fuzzy logic) لتحديد مدفوعات الحوافز في رضا المستهلك وتكاليف دمج الطاقة المتجددة، ولكنها لم تتضمن تحليلاً على مستوى المغذي (feeder-level analysis)15. كما تمت دراسة التخطيط طويل المدى للتوليد الذي يدمج الاستجابة للطلب القائمة على السعر والقائمة على الحوافز، بما في ذلك التوليد الحراري والمتجدد، ولكن دون مراعاة راحة المستخدم أو الطلب على مستوى الأسرة16.

تم تطبيق التعلم التعزيزي العميق (RL) أيضاً على الاستجابة للطلب (DR) في القطاع السكني. وقد تم اقتراح طرق التعلم التعزيزي العميق للتحكم في الأحمال المجمعة بموجب تعريفات تعرفة وقت الاستخدام، على الرغم من أن قابليتها للتعميم كانت محدودة بسبب صغر حجم مجموعات المستخدمين وغياب الجدولة على مستوى الأجهزة17. واستخدم إطار عمل للتعلم التعزيزي متعدد الوكلاء يجمع بين الاستجابة للطلب والتحكم في الجهد شبكات الذاكرة قصيرة المدى المطولة (long short-term memory networks) للتنبؤ بالأحمال، ولكنها لم تعالج عدم رضا العملاء الناتج عن تقييد الأحمال18. وركزت أعمال أخرى على تنسيق الاستجابة للطلب لأنظمة تكييف الهواء في المباني التجارية باستخدام عملية ماركوف لاتخاذ القرار، دون النظر في الأحمال السكنية الأخرى19. وبشكل عام، لم تدمج دراسات التحكم في الجهد القائمة على التعلم التعزيزي العميق كلاً من الاستجابة للطلب وتكامل الطاقة الكهروضوئية (PV)20,21.

يمكن للمحولات الذكية الاستجابة بسرعة للتغيرات المفاجئة وغير المنتظمة في إنتاج الطاقة الكهروضوئية (PV)22. فعند حدوث انتهاكات في مستويات الجهد، يمكن للمحولات الكهروضوئية أن تعمل في غضون أجزاء من الثانية، بينما قد تتطلب الأجهزة التقليدية عدة ثوانٍ23. وقد اقترحت بعض الدراسات إجراء تعديلات على إجراءات التحكم القياسية في الأجهزة، بما في ذلك نهج الوكلاء المتعددين لتنسيق منظمات الجهد وتعديل إجراءات متحكمات الجهد التقليدية24. ومع ذلك، فإن التوليد الكهروضوئي المستقل دون وجود تخزين في الموقع يمكن أن يؤدي إلى تفاقم انحرافات الجهد ولا يخفف من ذروة الاستهلاك المسائية، حتى عندما يقلل من صافي الواردات النهارية24,25. كما قد تنفد البطاريات المنزلية خلال فترات الفائض الكهروضوئي نهاراً وتصبح غير متاحة لشحن المركبات الكهربائية ليلاً إذا لم يتم تنسيق توزيعها مع الطلب والتوليد المحليين26,27. وتجعل التأثيرات المجتمعة للطلب العشوائي، والتوليد المتقطع، وسلوك التخزين المتنوع، من إدارة السعة وطول عمر الأصول والمرونة مخاوف مهمة لمشغلي أنظمة التوزيع28. وتوفر أنظمة إدارة الطاقة المنزلية وسيلة محتملة لتنفيذ التحكم الآلي على مستوى العميل. ويُعد التعلم المعزز (RL) مناسباً جداً لمثل هذه التطبيقات لأن الوكلاء يمكنهم تعلم استراتيجيات التحكم من خلال التفاعل مع البيئة مع التعامل مع حالة عدم اليقين واتخاذ قرارات ذات زمن وصول منخفض.

توضح التطورات في توجيه المركبات الكهربائية كيف يمكن للتعلم التعزيزي العميق (deep RL) إدارة قيود الطاقة الديناميكية. تتضمن مشكلة توجيه المركبات الكهربائية ذات السعة المحدودة والقائمة على أسطول غير متجانس ديناميكيات القيادة، وخصائص الطرق، والمقاومة الحركية، وكفاءة الشحن، مع تقليل الحد الأقصى لاستهلاك الطاقة عبر أسطول متنوع29. وتصيغ طريقة التعلم التعزيزي العميق المدركة للديناميكيات هذه المشكلة كعملية ماركوف لاتخاذ القرار مخصصة، وتستخدم بنية تعتمد على المشفر والمحدث وفك التشفير (encoder-updater-decoder). وفي هذا التصميم، يقوم المشفر بتطوير تمثيلات محددة للأدوار لكل من الرؤوس والمركبات، ويقوم المحدث بتنقيح رموز المركبات مع تغير المعلومات السياقية، بينما يقوم فك التشفير بفصل عملية اختيار المركبة عن اختيار الرأس الخاص بالمركبة لدعم اتخاذ القرار التكيفي. وبالمثل، تستخدم مشكلة توجيه المركبات الكهربائية المثلى من حيث الطاقة مع عمليات الاستلام والتسليم والنوافذ الزمنية نموذجاً عالي الدقة لاستهلاك الطاقة يشمل سلوك الشحن، وديناميكيات القيادة المعتمدة على الوقت، ومعلومات مفصلة عن المسار30. ويمثل إطار عمل التعلم التعزيزي العميق القائم على الانتباه غير المتجانس مهمة التوجيه كعملية ماركوف لاتخاذ القرار، مع مشفر يلتقط التفاعلات المحددة للأدوار بين المستودعات والعملاء ومحطات الشحن، وفك تشفير يتتبع انتقالات الحالة والجدوى الزمنية.

على الرغم من هذه التطورات، تركز معظم دراسات إدارة توزيع شبكات الجهد المنخفض (LV) على استقرار الجهد وتحسين القدرة غير الفعالة بدلاً من التنسيق الديناميكي لقبول المغذيات في ظل عدم اليقين المرتبط بالطاقة المتجددة. وتركز طرق التحكم الموزع في الجهد المستندة إلى العاكسات الذكية والتعلم الآلي عموماً على تعويض الجهد وتحسين القدرة غير الفعالة، دون معالجة التحكم التكيفي في قبول المغذيات أو التنسيق القائم على الازدحام في شبكات الجهد المنخفض المعقدة. وبالمثل، فإن نهج التعلم التعزيزي متعدد الوكلاء المقيد بالجهد من أجل الاستجابة للطلب (DR) لا تعالج بشكل مباشر الإدارة التعاونية لقبول المغذيات، أو التنسيق اللامركزي المدرك للازدحام، أو التحكم في القبول على مستوى العقد في أنظمة توزيع الجهد المنخفض المترابطة. أما طرق تنظيم الجهد التعاونية المستندة إلى التنسيق متعدد الوكلاء، فهي تقلل عادةً من انحرافات الجهد وعمليات تغيير نقاط التوصيل (tap operations) باستخدام عاكسات الطاقة الكهروضوئية (PV)، ولكنها لا تأخذ في الاعتبار القبول التكيفي للمغذيات، أو عدم استقرار القبول المرتبط بالطاقة المتجددة، أو التنسيق اللامركزي في ظل ظروف الشبكة الديناميكية.

تواجه طرق تنسيق الموارد الحالية الموزعة والمتعددة الوكلاء أيضًا قيودًا في الوعي بالازدحام، والتكيف الزمني، وقابلية التوسع. إذ يركز معظمها على تحليل الحمل الزائد، أو تفاعلات موارد الطاقة الموزعة، أو إدارة الطاقة القائمة على التعرفة، بدلاً من القبول التكيفي على مستوى المغذي والتنسيق الواعي بالجهد. ويمكن لاعتمادها على المركزية الجزئية والأولويات الثابتة أن يحد بشكل أكبر من اتخاذ القرار اللامركزي، والاستجابة السريعة لانتشار الازدحام، والتكيف مع تقلبات الطاقة المتجددة. وبناءً على ذلك، هناك حاجة إلى إطار عمل لامركزي بالكامل قائم على التعلم التعزيزي، يجمع بين تنسيق الوكلاء التعاوني وتحليل الحساسية للجهد والازدحام، وذلك من أجل إدارة تكيفية لقبول المغذيات باستخدام مجموعات بيانات واسعة النطاق مثل FeederBW وشبكة التوزيع ذات الجهد المنخفض المكونة من 236 ناقل (236-bus LV distribution network).

يشير قبول المغذي في هذه الدراسة إلى العملية التشغيلية التكيفية لتحديد ما إذا كان مغذي الجهد المنخفض (LV feeder) يمكنه استيعاب موارد طاقة موزعة إضافية أو أحمال كهربائية مع الحفاظ على أمن الشبكة، والامتثال لمستويات الجهد، وحدود التحميل الحراري، والموثوقية التشغيلية. تتضمن الحدود التشغيلية لقبول المغذي تقييم سعة المغذي، وحساسية الجهد، وحالات الازدحام، وتقلبات الطاقة المتجددة قبل قبول توصيلات المغذي الجديدة أو منحها الأولوية. وبخلاف التحكم التقليدي في الجهد، الذي ينظم ملفات الجهد، أو تنسيق موارد الطاقة الموزعة، الذي يدير تشغيل الموارد، أو إدارة الازدحام، التي تخفف من الأحمال الزائدة على الشبكة، فإن قبول المغذي يدمج هذه الوظائف ضمن إطار عمل تعلم تعزيزي تعاوني متعدد الوكلاء لدعم تنسيق ديناميكي ولا مركزي وتكيفي في ظل ظروف غنية بالطاقة المتجددة.

الهدف من هذه الدراسة هو تطوير استراتيجية تنسيق ديناميكي قائمة على وكلاء أذكياء تعاونيين لقبول المغذيات ذات الجهد المنخفض في ظل ظروف التشغيل المتغيرة وعدم اليقين المرتبط بالطاقة المتجددة. يقوم الإطار المقترح بتنسيق لامركزي لقبول المغذيات من خلال التقييم الديناميكي لحالات المغذي، وحساسية الجهد، وحساسية الازدحام، وسعة القبول، مما يتيح تحديد الأولويات واتخاذ القرارات التكيفية بما يتجاوز طرق التحكم الساكن في الجهد. وباستخدام مجموعة بيانات FeederBW ومجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 ناقل (bus)، تطور الدراسة أيضاً بنية تعلم تعزيزي متعدد الوكلاء قابلة للتوسع لأنظمة الجهد المنخفض واسعة النطاق. ومن خلال التعلم المدفوع بالتعزيز والتحسين التعاوني منخفض الكمون الذي يتم إجراؤه في كل فاصل تشغيلي محاكى، تم تصميم الإطار لتقليل انتشار الازدحام، وتحسين الامتثال للجهد، وخفض كمون التنسيق، وزيادة كفاءة التنسيق اللامركزي.

يساهم هذا الإطار في تقديم نهج ديناميكي لتنسيق قبول المغذيات في شبكات الجهد المنخفض (LV) يحل محل استراتيجيات إدارة المغذيات الثابتة القائمة على التحكم في الجهد؛ وبنية لا مركزية للتعلم التعزيزي متعدد الوكلاء للتعامل مع عدم اليقين في الطاقة المتجددة وظروف الأحمال المتغيرة؛ وإدارة قبول لا مركزية تعتمد على شروط زمن الانتقال المنخفض وتحديد الأولويات الديناميكية للمغذيات؛ ومؤشرات مشتركة للحساسية تجاه الجهد والاحتقان لتحديد المغذيات الحرجة وترتيب أولويات قرارات القبول؛ واتصالات تعاونية بين الوكلاء المتجاورين؛ وتحسيناً مستمراً للسياسات بناءً على التعلم التعزيزي لتحسين استقرار المغذي، وتخفيف الاحتقان، والامتثال للجهد، والتقارب؛ بالإضافة إلى التحقق من الصحة من خلال محاكاة واسعة النطاق باستخدام مجموعات بيانات FeederBW و 236-bus LV. وتشير النتائج المقارنة إلى تحسن في قبول المغذيات، وتخفيف الاحتقان، وتأخير التنسيق، وسرعة التقارب، والامتثال للجهد مقارنة بطرق التنسيق المركزية التقليدية.

البروتوكول

لم يتم استخدام مشاركين بشريين، أو حيوانات فقارية، أو أنسجة بشرية، أو أنسجة حيوانية في هذا البحث. وقد اعتمدت الدراسة فقط على مجموعات بيانات متاحة للعموم (مجموعة بيانات FeederBW ومجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 ناقلًا) وعمليات محاكاة حاسوبية. وبناءً على ذلك، لم تتطلب هذه الدراسة موافقة من مجلس المراجعة المؤسسية (IRB)، أو موافقة أخلاقية، أو موافقة مستنيرة.

تم تطوير استراتيجية التنسيق الديناميكي لقبول المغذيات ذات الجهد المنخفض بناءً على تعاون الوكلاء باستخدام التعلم التعزيزي متعدد الوكلاء (MARL) لظروف التشغيل الغنية بالطاقة المتجددة. تم إجراء معالجة مسبقة لمجموعات بيانات FeederBW والمغذيات ذات الجهد المنخفض المكونة من 236 ناقل (bus)، وتطبيعها، ومزامنتها زمنياً لإنشاء نموذج شبكة ديناميكي يمثل حالات المغذي، وموارد الطاقة الموزعة، والمناطق الحساسة للجهد، وظروف الازدحام. تم تعيين وكلاء أذكياء لأقسام المغذي ووصلات الشبكة لمراقبة الجهد المحلي، والازدحام، وعدم اليقين في توليد الطاقة المتجددة، وسعة قبول المغذي، وتبادل المعلومات مع الوكلاء المجاورين، وتحديث سياسات التنسيق من خلال التعلم التعزيزي اللامركزي. صُممت دالة المكافأة لتحسين قبول المغذي مع الحد من الازدحام، وعدم استقرار الجهد، وتأخيرات التنسيق. تم أخذ قيود الجهد، وتحميل المغذي، وتحميل المحول، والازدحام في الاعتبار، بينما لم يتم نمذجة التشغيل غير المتوازن ثلاثي الأطوار، والتحكم المتقدم في عاكس الطاقة الكهروضوئية، وتعويض القدرة غير الفعالة بشكل صريح. يظهر الإطار العام في الشكل 1. أدوات البحث المستخدمة في هذه الدراسة مدرجة في جدول المواد.

مخطط شبكي لنمذجة شبكات الجهد المنخفض الديناميكية باستخدام الأنظمة متعددة الوكلاء والتعلم التعزيزي.
الشكل 1بنية الإطار المقترح. مخطط لإطار التنسيق الديناميكي الذي يدمج الوكلاء الأذكياء، والتعلم التعزيزي، وتحليل الازدحام، والتنسيق التكيفي للمغذيات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

1. الحصول على البيانات

تم الحصول على البيانات من مجموعة بيانات FeederBW31 ومجموعة بيانات توزيع الجهد المنخفض ذات الـ 236 ناقل32. وقد تم اختيار مجموعات البيانات هذه لأنها تحتوي على معلومات حول طبوغرافية المغذي، وظروف الجهد، وسلوك توليد الطاقة المتجددة، والطلب على الحمل، والاحتقان، وملفات التشغيل الديناميكية المطلوبة للتنسيق اللامركزي وتعلم الوكلاء القائم على التعزيز.

استُخدمت مجموعة بيانات FeederBW بشكل أساسي لنمذجة تشغيل المغذي، وتقطع الطاقة المتجددة، وانحراف الجهد، وانتشار الاحتقان في الشبكات ذات الجهد المنخفض (LV). وقد تضمنت بيانات تشغيل المغذي، وسلوك التوليد الموزع، وقياسات جهد العقدة، وتقلبات الأحمال التي دعمت تحليل التنسيق التكيفي. أما مجموعة بيانات LV المكونة من 236 قضيباً (bus)، فقد استُخدمت لتقييم القابلية للتوسع والتنسيق اللامركزي؛ حيث احتوت على معلومات توصيل القضبان، وظروف تحميل المغذي، وخصائص جهد العقدة، ومعدلات اختراق الطاقة المتجددة الموزعة، وحالات التشغيل الحساسة للاحتقان. وقد دعمت مجموعتا البيانات معاً التحليلات على مستوى المغذي والتحليلات واسعة النطاق في ظل ظروف الاختراق العالي للطاقة المتجددة. وتتلخص خصائص مجموعات البيانات وأغراضها في هذا الإطار في الجدول 1.

اسم مجموعة البياناتنوع مجموعة البياناتعدد العقد/النواقلسمات البياناتالغرض من العمل المقترح
مجموعة بيانات FeederBWمجموعة بيانات تشغيلية لمغذي منخفض الجهدعقد تغذية متعددةملفات الجهد، التوليد المتجدد، طلب الحمل، حالات الاحتقان، السلوك التشغيلي للمغذيتنسيق المغذيات منخفض الكمون، تحليل الازدحام، تحديد أولويات القبول التكيفي
مجموعة بيانات الجهد المنخفض لـ 236 ناقلًامجموعة بيانات واسعة النطاق لتوزيع الجهد المنخفض٢٣٦ حافلةطوبولوجيا الناقل، تحميل المغذي، حساسية الجهد، تغل الطاقة المتجددة، ديناميكيات الاحتقانالتحقق من القابلية للتوسع، تقييم التنسيق اللامركزي، تحليل التنسيق واسع النطاق

الجدول 1: خصائص مجموعة البيانات. وصف لمجموعات البيانات، والسمات التشغيلية، وأغراضها ضمن إطار عمل تنسيق الجهد المنخفض المقترح.

2. المعالجة المسبقة للبيانات

خضعت مجموعات البيانات المكتسبة لمعالجة أولية لتحسين الاتساق، والمحاذاة الزمنية، واستقرار التعلم التعزيزي. وتمت تصفية الإدخالات المفقودة، والقياسات الخاطئة، والسجلات المكررة، وبيانات المغذيات غير المتسقة باستخدام إجراءات المعالجة الأولية الإحصائية. استُخدمت هذه الخطوة للحفاظ على الاتساق بين بيانات تشغيل المغذيات، وملفات توليد الطاقة المتجددة، وقياسات الجهد، وبيانات حالة الاحتقان. كما خضعت جميع المتغيرات التشغيلية لتطبيع الحد الأدنى والأقصى (min–max normalization) بحيث يتم تحويل ميزات الإدخال إلى مقياس مشترك مناسب لتعلم العميل. وشملت المتغيرات المُطبعة جهد المغذي، والطلب على الطاقة الفعالة، وتوليد الطاقة المتجددة، وحالة الاحتقان، وسعة قبول المغذي. ويرد الصياغة الرياضية لإجراء المعالجة الأولية في الملف التكميلي 1 (القسم 1).

3. نمذجة شبكات الجهد المنخفض الديناميكية

بعد الحصول على البيانات ومعالجتها مسبقاً، تم بناء نموذج شبكة جهد منخفض (LV) ديناميكي لمحاكاة سلوك نظام توزيع يتميز بنسبة عالية من التوليد المتجدد تحت ظروف متغيرة من الأحمال والتوليد. وقد تتبع النموذج ديناميكياً طوبولوجيا المغذيات، وسلوك موارد الطاقة الموزعة، والمناطق الحساسة للجهد، وانتشار الاحتقان.

على عكس تمثيل الشبكة الساكن، يقوم النموذج بتحديث سلوك المغذي وفقاً لتقطع المصادر المتجددة، وطلب المستهلك، وظروف الاحتقان. استُخدمت مجموعات بيانات FeederBW و236-bus LV لإنشاء مغذيات مترابطة تم فيها تمثيل الحافلات، والمحولات، ومصادر الطاقة المتجددة الموزعة، والأحمال كعقد في الشبكة. وقد وفرت كل عقدة مغذٍ معلومات محدثة عن مقدار الجهد، وطلب القدرة الفعالة، والتوليد المتجدد، وحالة تحميل المغذي، وحالة الاحتقان. واستخدم الوكلاء الأذكياء هذه المتغيرات لمراقبة سلوك المغذي واتخاذ قرارات تنظيم لا مركزية. كما دعم نموذج الشبكة تحديد المناطق الحساسة وتحديد أولويات قبول المغذيات من خلال تحليل الحساسية المستمر.

تم تمثيل شبكة توزيع الجهد المنخفض (LV) كشبكة قائمة على الرسوم البيانية تحتوي على محطات توزيع، وخطوط تغذية، ومحولات، ومصادر متجددة، وعقد أحمال المستهلكين. تتوفر الاشتقاقات الرياضية التفصيلية لنموذج الشبكة في الملف التكميلي 1 (القسم 2). تمت مراقبة الحالة الديناميكية للشبكة ومؤشر الازدحام بشكل مستمر. وتم تطبيع مؤشر الازدحام ضمن النطاق [0,1]، وبدأ تنسيق قبول التغذية التعاوني عندما تجاوز مؤشر الازدحام 0.80.

4. تهيئة بيئة الوكلاء المتعددين

بعد بناء نموذج شبكة الجهد المنخفض (LV) الديناميكي، تم تهيئة بيئة الوكلاء المتعددين لدعم القبول اللامركزي للمغذيات. تم تعيين وكلاء أذكياء لقطاعات المغذيات، ونقاط اتصال موارد الطاقة الموزعة، ومواقع المحولات، والعقد المعرضة للازدحام داخل شبكة الجهد المنخفض (LV).

عمل كل وكيل ككيان مستقل لاتخاذ القرار يقوم بمراقبة تشغيل المغذي المحلي، وتبادل المعلومات مع الوكلاء المجاورين، وتنفيذ إجراءات تنسيق تكيفية. تم تعيين الوكلاء لعقد المغذيات الرئيسية وفقًا لحساسية الجهد، ونسبة اختراق الطاقة المتجددة، ومستوى الازدحام، وأهمية المغذي. تم تهيئة شبكة الجهد المنخفض (LV) كبيئة قائمة على الوكلاء يقوم فيها الوكلاء بمراقبة جهد المغذي باستمرار، والطلب على القدرة الفعالة، وتغيرات توليد الطاقة المتجددة، وحالة الازدحام، وسعة قبول المغذي. تتوفر الصياغة الرياضية لبيئة الوكلاء المتعددين في الملف التكميلي 1 (القسم 3).

5. تعلم الوكيل الموجه بالتعزيز

بعد تهيئة بيئة الوكلاء المتعددين، تم تنفيذ التعلم القائم على التعزيز لتمكين الوكلاء من تعلم سياسات تنسيق المغذي من خلال التفاعل مع ظروف تشغيل الجهد المنخفض (LV) المتغيرة. وخلال كل تفاعل، يقوم الوكيل بمراقبة حالة المغذي الحالية، واختيار إجراء تنسيقي، ثم تلقي مكافأة أو جزاء. وقد مكنت عملية التعلم اللامركزية الوكلاء من التكيف مع عدم اليقين في التوليد المتجدد، وظروف الاحتقان المتغيرة، وتباين الجهد، والتغيرات في سعة قبول المغذي. واختار كل وكيل إجراءً تنسيقيًا وفقًا لسياسته المتعلمة. وترد الاشتقاقات الرياضية المرتبطة بذلك في الملف التكميلي 1 (القسم 4).

تم نشر ما مجموعه 64 عميلاً ذكياً. وبناءً على طوبولوجيا المغذي، ومستوى تغل الطاقة المتجددة، وحساسية الجهد، وشدة الاحتقان، تم تخصيص كل عميل لقطاع مغذٍ، أو موقع محول، أو نقطة اتصال بمصدر طاقة موزعة، أو عقدة شبكة حساسة للاحتقان. ومع الحفاظ على تعقيد حسابي معقول، سمح النشر اللامركزي بالمراقبة التعاونية وقبول المغذي التكيفي عبر شبكة توزيع منخفضة الجهد مكونة من 236 قضيباً (bus). رصد كل عميل متجه حالة خماسي الأبعاد يتكون من مقدار الجهد، والطلب على حمل المغذي، وتوليد الطاقة المتجددة، وحالة الاحتقان، وقدرة قبول المغذي. وتكونت مساحة الإجراءات من خمسة إجراءات تنسيقية: تحديد أولويات قبول المغذي، وتخفيف الاحتقان، وتنسيق الطاقة المتجددة، وموازنة الأحمال، والتحكم في الجهد. كما دُعم اتخاذ القرار التعاوني من خلال طوبولوجيا اتصالات جوارية لامركزية، حيث تبادل كل عميل مؤشرات الحساسية ومعلومات التشغيل المحلية فقط مع عملاء المغذي المجاورين.

تم تنفيذ طريقة تعلم تعزيزي متعدد الوكلاء (MARL) قائمة على تعلم-Q باستخدام شبكة عصبية متصلة بالكامل تتكون من طبقتين خفيتين تحتويان على 128 و64 عصبوناً. وطُبقت دالة التنشيط "الوحدة الخطية المصححة" (ReLU) في الطبقات الخفية. كما حُسنت معلمات الشبكة باستخدام محسن Adam بمعدل تعلم قدره 0.01 وعامل خصم قدره 0.9. واستُخدم حجم دفعة صغيرة قدره 64، بينما بلغت سعة مخزن إعادة تشغيل الخبرات 10,0 انتقال. واعتُبر التدريب قد وصل إلى مرحلة التقارب عندما أصبح المتوسط المتحرك للمكافأة التراكمية على مدار الـ ٢٠ حلقة تغير بمقدار أقل من 0.1% لـ 10 نوافذ تقييم متتاليةوإذا لم يتم استيفاء هذا المعيار، استمر التدريب حتى حد أقصى قدره ٥٠ حلقة تم الوصول إليها. ويظهر سير عمل التعلم التعزيزي في الشكل 2.

مخطط عملية التعلم التعزيزي؛ التفاعل بين العميل والبيئة، تحديث السياسة، حلقة المكافآت.
الشكل 2مخطط انسيابي لتعلم العميل الموجه بالتعزيز. مخطط تدفقي يوضح عملية تعلم العميل القائمة على التعزيز من أجل التنسيق اللامركزي للمغذيات وتحسين اتخاذ القرار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

بدأت عملية التعلم بتهيئة بيئة توزيع الجهد المنخفض (LV)، وحالات الوكيل، ومعلمات التعلم. تم وضع الوكلاء الأذكياء في مناطق المغذيات، ومواقع موارد الطاقة الموزعة، والحافلات المعرضة للازدحام. بعد ذلك، تم تحديد مساحة الملاحظة، ومعدل التعلم، واستراتيجية الاستكشاف، وعوامل المكافأة، ودوال السياسة. وفي كل خطوة تفاعل، قام كل وكيل بملاحظة الحالة الراهنة لمنطقة المغذي المخصصة له. وتكونت الحالة من مقدار جهد العقدة، وطلب حمل المغذي، وخصائص التوليد المتجدد، ومستوى الازدحام، وسعة قبول المغذي. شكلت هذه الملاحظات الحالة البيئية المستخدمة لاتخاذ قرارات التنسيق. واختار كل وكيل إجراءً وفقاً لسياسة التعلم التعزيزي الخاصة به. وشملت الإجراءات المتاحة تحديد أولويات قبول المغذي، وإدارة الازدحام، وتنسيق الطاقة المتجددة، وموازنة الأحمال، وإدارة الجهد. تم تطبيق الإجراء المختار على بيئة الجهد المنخفض (LV) الديناميكية، ومن ثم تم تحديث حالة المغذي.

تم حساب مكافأة بعد كل إجراء. تم تعيين مكافأة إيجابية عندما أدى الإجراء المختار إلى تحسين قبول المغذي، أو منع انتشار الازدحام، أو الحفاظ على الامتثال للجهد، أو تحسين استقرار الشبكة. وتم تطبيق عقوبة عندما أدى الإجراء إلى حدوث، أو فشل في منع، زيادة تحميل المغذي، أو انتهاكات الجهد، أو تأخيرات في التنسيق. استُخدمت المكافأة المحسوبة لتحديث دالة القيمة وسياسة اتخاذ القرار للوكيل من خلال تحسين التعزيز. تكرر تسلسل الملاحظة، واختيار الإجراء، وانتقال البيئة، وحساب المكافأة، وتحديث السياسة حتى استيفاء معيار التوقف.

6. تقييم الحساسية للجهد والازدحام

عقب التعلم القائم على التعزيز، تم تقييم حساسيات الجهد والازدحام لتحديد مناطق التغذية الضعيفة ودعم قرارات قبول المغذيات الديناميكية في ظل عدم اليقين المرتبط بالطاقة المتجددة.

تَمَّ تحديد تأثيرات التغيرات في قدرة المغذي، والتوليد المتجدد، والطلب على الحمل على جهد العقدة واحتقان الشبكة عند كل فاصل تشغيلي. كما أُعيد حساب مؤشرات الحساسية للجهد والاحتقان. عند كل فاصل تشغيلي محاكى بدلاً من اشتقاقها حصراً من ظروف الشبكة الساكنة. وقد حُدثت مؤشرات الحساسية لكل عقدة مغذية بناءً على ظروف الشبكة الحالية، وتفاوت توليد الطاقة المتجددة، وحالة تحميل المغذي. واستُخدمت القيم الناتجة لتصنيف عقد المغذيات من أجل عمليات قبول المغذيات، وإدارة الاحتقان، وإجراءات التحكم في الجهد.

قام مؤشر الحساسية للجهد بقياس التغير في جهد العقدة الناتج عن التغير في تدفق القدرة الفعالة. وبعد حساب مؤشرات الحساسية للجهد والازدحام، تم دمجها في درجة حساسية مركبة من أجل تحديد الأولويات التكيفية لقبول المغذيات. وتوصفت طريقة التسجيل المركبة في الملف التكميلي 1 (القسم 5). وقد مُنحت عقد المغذيات ذات درجات الحساسية الأعلى أولويات تنسيق أعلى أثناء عمليات تخفيف الازدحام، وتصحيح قبول المغذيات، وعمليات تنظيم الجهد. كما أعيد حساب درجات الحساسية عند كل فاصل تشغيلي وتمت مشاركتها مع الوكلاء المجاورين من خلال بيئة الاتصال التعاونية.

7. تنسيق القبول التعاوني وتحسين القرار التكيفي عند كل فاصل تشغيلي محاكى

بعد إجراء تقييم للحساسية، تم تنفيذ تنسيق قبول تعاوني لتمكين الوكلاء اللامركزيين من اتخاذ قرارات منسقة بشأن قبول المغذي في ظل ظروف عدم اليقين المتعلقة بالطاقة المتجددة وظروف الازدحام الديناميكي. قام الوكلاء بتبادل حالات المغذي المحلية، ومؤشرات الحساسية، وتنبيهات الازدحام، وأولويات التشغيل. وقام كل وكيل بتقييم حالة المغذي المحلي الخاص به بشكل مستقل مع التنسيق مع الوكلاء المجاورين لدعم استقرار الشبكة بشكل عام.

تم إعطاء الأولوية لقبول المغذي وفقاً للحساسية الجهدية، وشدة الاحتقان، وتقلبات التوليد المتجدد، وسعة المغذي المتاحة. وقد تم تجميع الملاحظات المحلية الواعية بالحساسية عبر الوكلاء، وتوليد إجراءات منسقة لقبول المغذي. تتوفر الصيغة الرياضية لعملية التنسيق التعاوني في الملف التكميلي 1 (القسم 6). كما تم نشر بيئة شبكة الجهد المنخفض (LV) الديناميكية مع توزيع وكلاء تعاونيين في مناطق المغذي، ونقاط دمج الطاقة المتجددة، والحافلات المعرضة للاحتقان، كما هو موضح في الملف التكميلي 1 (الخوارزمية 1). وفي كل فاصل تشغيلي، قام كل وكيل بمراقبة معلمات المغذي المحلية، بما في ذلك مقدار الجهد، وتغير التوليد المتجدد، وتحميل المغذي، ومستوى الاحتقان، وسعة قبول المغذي.

تم بعد ذلك حساب مؤشرات الحساسية للجهد والحساسية للازدحام لتحديد مناطق المغذيات المعرضة لعدم استقرار الجهد أو انتشار الازدحام. وقد دُمجت هذه المؤشرات في درجة حساسية إجمالية للمغذيات تحدد أولوية قبول وتنسيق المغذي. كما تم تبادل معلومات الحالة المحلية، ومستويات الازدحام، ومؤشرات عدم استقرار الجهد، وأولويات القبول بين الوكلاء المتجاورين. وبناءً على الملاحظات المحلية والمعلومات المشتركة، اختار كل وكيل إجراء تنسيق تكيفي وقام بتنفيذه. وبعد كل إجراء، تم الحصول على تغذية راجعة تعزيزية من بيئة شبكة الجهد المنخفض (LV) الديناميكية وفقاً لاستقرار المغذي، وتقليل الازدحام، والامتثال للجهد، وكفاءة قبول المغذي. واستُخدمت هذه التغذية الراجعة لتحديث سياسة كل وكيل من خلال التحسين القائم على التعزيز. وبشكل متزامن، وفرت دالة هدف التنسيق العالمي تغذية راجعة منسقة للتحسين التكيفي عبر مجموعة الوكلاء. واستمرت تحديثات السياسة حتى تقاربت سياسات الوكلاء نحو استراتيجية تنسيق لامركزية مثالية.

8. التحقق من الصحة على نطاق واسع

تم التحقق من صحة استراتيجية التنسيق الديناميكي باستخدام مجموعة بيانات FeederBW ومجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 قضيب توصيل في ظل سيناريوهات تشغيل تتميز باختراق عالٍ للطاقة المتجددة. وقد قيمت عملية التحقق قدرة إطار التنسيق اللامركزي على إدارة القبول الديناميكي للمغذيات، وتقطع الطاقة المتجددة، وانتشار الازدحام، وعدم استقرار الجهد في أنظمة توزيع الجهد المنخفض المترابطة. وشملت سيناريوهات التشغيل التي تم تقييمها الاختراق العالي للطاقة المتجددة، وتغير الطلب على الحمل، والانتشار الديناميكي للازدحام، والظروف الحساسة للجهد، وتفاوت سعة قبول المغذيات.

تم تقييم أداء الإطار باستخدام معدل قبول المغذي، ومؤشر الامتثال للجهد، ومعدل خفض الازدحام، وزمن استجابة التنسيق، وسرعة التقارب، وكفاءة التنسيق اللامركزي، وقدرة استيعاب الطاقة المتجددة. واستُخدمت هذه المقاييس لتقييم القابلية للتوسع، والمتانة، والقدرة على التكيف، وأداء التنسيق. كما تمت مقارنة الإطار المقترح بنهج تنسيق المغذيات المركزية التقليدية تحت نفس تكوينات الشبكة. وطُبقت مجموعات بيانات، وسيناريوهات تشغيل، وظروف تقييم، ومقاييس أداء متكافئة على طرق المقارنة.

الجدول 2 يلخص مجموعات البيانات، وظروف التشغيل، وبيئات التنسيق، ومتغيرات الأداء المستخدمة للتحقق التجريبي. استُخدمت مجموعة بيانات FeederBW لتقييم ديناميكيات تشغيل المغذي، والتقطع في الطاقة المتجددة، وتطور الازدحام، وتغير الأحمال السكنية، وتقلبات الجهد في ظروف مغذيات الجهد المنخفض (LV). واستُخدمت مجموعة بيانات LV المكونة من 236 ناقل لتقييم التنسيق اللامركزي في شبكة مترابطة أكبر. تم التحقق من صحة البنية تحت ظروف متغيرة من توليد الطاقة المتجددة، والطلب على الأحمال، والجهد، والازدحام. كما تم تقييم التنسيق اللامركزي وتحسين السياسات القائم على التعلم التعزيزي بشكل مشترك عبر الوكلاء الأذكياء.

تم استخدام معدل قبول المغذي، ومؤشر امتثال الجهد، ومعدل خفض الازدحام، وسرعة التقارب، وزمن انتقال التنسيق لتقدير الأداء في ظل ظروف التشغيل الديناميكية في أنظمة الطاقة المتجددة.

المعلمة التجريبيةمجموعة بيانات FeederBWمجموعة بيانات جهد منخفض مكونة من 236 ناقلًاالغرض من التحقق من الصحة
نوع الشبكةشبكة تغذية منخفضة الجهدشبكة توزيع جهد منخفض واسعة النطاقتقييم التنسيق الديناميكي
عدد العقد/النواقلعقد تغذية متعددة٢٣٦ حافلةتحليل القابلية للتوسع
تكامل الطاقة المتجددةالخلايا الكهروضوئية ومصادر الطاقة المتجددة الموزعةناقلات ذات نسبة تغل عالية للطاقة المتجددةالتحقق من عدم اليقين في الطاقة المتجددة
سلوك الطلب على الأحمالملفات أحمال سكنية ديناميكيةتغيرات أحمال المغذيات واسعة النطاقتنسيق الأحمال التكيفي
سيناريوهات الاحتقانحالات زيادة الحمل والازدحام في المغذياتانتشار الازدحام في النواقل المتعددةتحليل التخفيف من الازدحام
ظروف الجهد الكهربائيملفات تقلب الجهد الكهربائيظروف الناقل الحساسة للجهدتقييم توافق الجهد
الوكلاء الأذكياءوكلاء تغذية موزعونوكلاء تعاونيون واسعي النطاقتحليل التنسيق اللامركزي
بيئة التعلمالتنظيم الموجه بالتعزيزالتعلم التكيفي متعدد الوكلاءالتحقق من صحة تحسين السياسة
شروط المحاكاةالتباين المتجدد الديناميكيتشغيل ديناميكي واسع النطاقاختبار تنسيق العمليات زمن الوصول المنخفض
مقاييس الأداءمعدل القبول، تقليل الازدحامالامتثال للجهد، سرعة التقاربالأداء العام للتنسيق الترتيبي

الجدول 2: التحقق التجريبي واسع النطاق. الإعدادات التجريبية المستخدمة لتقييم القابلية للتوسع، وعدم اليقين في الطاقة المتجددة، والتنسيق اللامركزي.

النتائج

أُجريت جميع التجارب خمس مرات باستخدام بذور عشوائية مختلفة لتقليل تأثير التعلم التصادفي. وحُسبت القيم المتوسطة عبر التشغيلات الخمس. كما استُخدمت مجموعات البيانات نفسها، ومعلمات المحاكاة، والمعلمات الفائقة، ومعايير التوقف، وإجراءات التقييم لجميع الطرق. واستُخدمت كل من طريقة التحكم المركزي في الجهد (CVC)3، والتحكم التقليدي متعدد الوكلاء (CMAC)21، وتنظيم الجهد القائم على التعلم التعزيزي (RLVR)20، وتنسيق موارد الطاقة الموزعة (DERC)26، وإدارة الازدحام القائمة على الحساسية (SBCM)34 كطرق للمقارنة.

باستخدام تحليل التباين أحادي الاتجاه (ANOVA)، أُجريت مقارنات إحصائية بين الإطار المقترح والتقنيات المرجعية (CVC وCMAC وRLVR وDERC وSBCM) بشكل مستقل لكل مقياس تقييم. كما طُبق اختبار توكي للفرق المعنوي الصادق (HSD) كاختبار بعدي للمقارنات الزوجية عندما أظهر تحليل ANOVA وجود فروق ذات دلالة إحصائية. وقد حُدد عتبة الدلالة الإحصائية عند p < 0.01. أُجريت جميع التحليلات الإحصائية باستخدام تحليل التباين أحادي الاتجاه، متبوعاً باختبار الفروق المعنوية البعدي عند الاقتضاء. تم تنفيذ تحليل ANOVA أحادي الاتجاه باستخدام وحدة statsmodels.stats.anova. واستُخدمت قيم الأداء النهائية المتقاربة من خمس عمليات محاكاة منفصلة لكل نهج لاختبار الدلالة الإحصائية. وكان الغرض من حلقات التدريب المتوسطة هو تصور عملية التعلم؛ لذا لم يتم اختبارها من حيث الدلالة الإحصائية.

جمع البيانات

دعمت مجموعتا بيانات FeederBW وشبكة التوزيع ذات الـ 236 ناقلاً منخفض الجهد (LV) تقييم الإطار المقترح تحت ظروف تشغيل تكاملية. وفرت مجموعة بيانات FeederBW معلومات عن المغذي في سلاسل زمنية، بما في ذلك الجهد، وتوليد الطاقة المتجددة الموزعة، والطلب على الأحمال، وظروف الازدحام، وسلوك قبول المغذي. وقد استُخدمت لتقييم التشغيل الديناميكي للمغذي، وتقطع الطاقة المتجددة، وتغير الأحمال السكنية، وانتشار الازدحام، وتقلبات الجهد.

احتوت مجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 ناقلًا على 236 ناقلًا مترابطًا، وشملت توبولوجيا المغذيات، والمناطق الحساسة للجهد، وظروف تغل الطاقة المتجددة، وحالات تدفق الطاقة، وسيناريوهات انتشار الاحتقان. وقد استُخدمت لتقييم التنسيق اللامركزي، والتنظيم التكيفي، وقابلية التوسع في شبكة توزيع مترابطة أكبر. يلخص الجدول 3 والجدول 4 شروط التحقق التجريبي وبيئة المحاكاة.

معلمة التحقق من الصلاحيةالوصف
مجموعات البيانات المستخدمةمجموعة بيانات FeederBW ومجموعة بيانات الجهد المنخفض المكونة من 236 قضيباً
بيئة الشبكةنظام توزيع منخفض الجهد ديناميكي غني بالطاقة المتجددة
المصادر المتجددةالمولدات الكهروضوئية (PV) والمتجددة الموزعة
إطار التعلمالتعلم التعزيزي متعدد الوكلاء (MARL)
استراتيجية التنسيقالتنسيق اللامركزي التعاوني
سيناريوهات التشغيلتقطع الطاقة المتجددة، وتذب الأحمال، وانتشار الاحتقان
عدد الوكلاء الأذكياء64 من الوكلاء التعاونيين الموزعين على مستوى المغذي
هدف التحقق من الصلاحيةتحسين قبول وحدة التغذية التكيفية
عملية التقييمالتنسيق الآني والتنظيم المراعي للحساسية
تحليل مقارنبالمقارنة مع طرق التنسيق المركزية التقليدية

الجدول 3: معلمات التحقق البيئي. معلمات التحقق المستخدمة لتقييم التنسيق التكيفي في ظل ظروف تشغيل ديناميكية ذات جهد منخفض.

مكون المحاكاةالتكوين
بيئة المعالجةنظام معالجة متعدد النوى عالي الأداء
إطار عمل البرمجةPython 3.1.9
إطار التعلمتعلم التعزيز متعدد الوكلاء (MARL)
خوارزمية التعلمتعلم تعزيزي متعدد الوكلاء قائم على تعلم-Q
بنية الشبكة العصبيةشبكة عصبية متصلة بالكامل بطبقتين خفيتين (128 و64 عصبوناً، بدالة تنشيط ReLU)
المُحسِّنمُحسِّن Adam
معدل التعلم (α)0.001
عامل الخصم (γ)0.99
آلية إعادة التشغيلمخزن إعادة تشغيل الخبرات (السعة: 10,0 انتقال)
حجم الدفعة الصغيرة64
سياسة الاستكشافاستكشاف ε-greedy (تناقصت قيمة ε من 1.0 إلى 0.01)
حلقات تدريبية500
معيار التوقفالوصول إلى الحد الأقصى من حلقات التدريب أو تقارب المكافأة التراكمية
نمذجة الشبكاتمحاكاة ديناميكية لشبكة مغذيات الجهد المنخفض
المحاكاة المتجددةملفات تعريف توليد الطاقة المتجددة المتغيرة
تنسيق الوكلاءالاتصالات التعاونية الموزعة
معالجة البياناتمعالجة حالة وحدة التغذية المتزامنة في الوقت الفعلي
طريقة التحسينتعلم السياسات التكيفي القائم على التعزيز
المنصة التجريبيةمحاكاة واسعة النطاق باستخدام مجموعة بيانات FeederBW ومجموعة بيانات شبكة توزيع الجهد المنخفض ذات الـ 236 قضبان توصيل
مراقبة الأداءمعدل قبول المغذي (FAR)، ومؤشر امتثال الجهد (VCI)، ومعدل تقليل الاحتقان (CRR)، وزمن وصول التنسيق (OL)، وسرعة التقارب (CS)، وكفاءة التنسيق اللامركزي (DCE)
وزن المكافأة (β)0.3
وزن المكافأة (δ)0.25
وزن الهدف (ω₁)0.30 (قبول الخلايا المغذية)
وزن الهدف (ω₂)0.25 (تقليل الاحتقان)
وزن الهدف (ω₃)0.25 (امتثال الجهد)
وزن الهدف (ω₄)0.20 (زمن انتقال التنسيق)
معدل تعلم السياسة (η)0.001
معامل التسوية / موازنة (λ)0.1

الجدول 4: بيئة المحاكاة. إعدادات المحاكاة المستخدمة في تجارب تنسيق المغذي القائمة على التعزيز.

المعالجة المسبقة للبيانات

دعمت البيانات المتزامنة والمعيرة إجراء مقارنة متسقة عبر الإطار المقترح وطرق الخط المرجعي. وقد استُخدمت نفس حالات المغذي المعالجة مسبقاً، وملفات تعريف التوليد المتجدد، وظروف طلب الأحمال، وظروف الجهد، وسيناريوهات الازدحام في جميع التقييمات. وقد قلل هيكل الإدخال المشترك هذا من الاختلافات الناتجة عن تحضير مجموعة البيانات، مما سمح بربط الاختلافات الملحوظة في الأداء بطرق التنسيق التي تم تقييمها.

النمذجة الديناميكية للشبكات ذات الجهد المنخفض

مثّل نموذج شبكة الجهد المنخفض (LV) الديناميكي التغيرات في توليد الطاقة المتجددة، وطلب المستهلكين، وظروف الجهد، وتحميل المغذي، وانتشار الاحتقان. وتحت هذه الظروف، حافظ الإطار المقترح على قدرة قبول المغذي مع الاستجابة لحالات التشغيل الحساسة للجهد والحساسة للاحتقان. كما دعم النموذج عملية التقييم في ظل تذب توليد الطاقة المتجددة، وتغير أحمال المستهلكين، وظروف الشبكة المعرضة للاحتقان. وعبر هذه الظروف كافة، قامت الوكلاء التعاونيون بتنفيذ تحديد أولويات المغذي، والتنسيق المعتمد على الجهد، وتخفيف الاحتقان، واستيعاب الطاقة المتجددة دون الحاجة إلى تحكم مركزي.

تهيئة بيئة متعددة الوكلاء

دعم ترتيب الوكلاء اللامركزي الملاحظة المحلية واتخاذ القرارات المنسقة عبر مناطق التغذية ووصلات الشبكة. وتبادل الوكلاء معلومات حالة التغذية ومقاييس الحساسية مع الوكلاء المجاورين أثناء اختيار إجراءات التنسيق بشكل مستقل. وقد أظهر سلوك التنسيق الملحوظ أن الترتيب الموزع قد دعم تحديد أولويات التغذية، وتنسيق الأحمال، وإدارة الجهد، والاستجابة للازدحام. كما قلل التكوين اللامركزي من الاعتماد على وحدة تحكم مركزية واحدة ودعم التشغيل المنسق عبر شبكة أكبر مكونة من 236-bus.

تعلم الوكيل الموجه بالتعزيز

تحسنت السياسة القائمة على التعزيز طوال فترة التدريب فيما يخص قبول المغذيات، والامتثال للجهد، وتقليل الازدحام، وزمن وصول التنسيق، وسرعة التقارب. يقارن الشكل 3 معدل قبول المغذيات (FAR) للإطار المقترح مع كل من CVC وCMAC وRLVR وDERC وSBCM. حقق CVC أدنى معدل FAR، حيث ارتفع من 62% إلى 70%. ووصل CMAC وDERC إلى قيم قصوى لمعدل FAR بلغت 75% و78% على التوالي. بينما وصل RLVR وSBCM إلى 83% و81% على التوالي. وقد رفع الإطار المقترح معدل FAR من 72% خلال مرحلة التدريب المبكرة إلى 97% خلال المرحلة المتأخرة. وأظهرت هذه النتيجة أن عملية التعلم التعزيزي التعاوني دعمت القبول التكيفي للمغذيات في ظل عدم اليقين المرتبط بالطاقة المتجددة وظروف تشغيل LV المتغيرة.

رسم بياني لمعدل قبول وحدة التغذية مقابل تكرارات التدريب؛ مقارنة بين ست طرق، وتحليل إحصائي.
الشكل 3: معدل قبول الخلايا المغذية (FAR). مقارنة لمعدل القبول الخاطئ (FAR) بين الإطار المقترح وطرق تنسيق المغذيات المرجعية. عُرضت القيم في صورة المتوسط ± الانحراف المعياري (SD) من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة. وقد تم تقييم الدلالة الإحصائية عند p < 0.01، مع فواصل ثقة 95%. الاختصارات: FAR، معدل قبول المغذيات؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4 يوضح مؤشر امتثال الجهد (VCI). ارتفع CVC من 70% إلى 7%، بينما وصل كل من CMAC وDERC إلى 81% و84% تقريباً، على التوالي. ووصل RLVR وSBCM إلى 8% و86%، على التوالي. أما الإطار المقترح فقد ارتفع من 78% خلال مرحلة التدريب المبكرة إلى 98% تقريباً عند التقارب. ويشير ارتفاع VCI إلى أن النهج المقترح حافظ على امتثال الجهد بشكل أكثر فعالية من طرق المقارنة في ظل التوليد المتقطع للطاقة المتجددة وتغير الطلب على الأحمال.

نتائج مؤشر الامتثال للجهد؛ مخطط خطي؛ مقارنة تكرارات التدريب؛ الطرق: CVC، CMAC.
الشكل 4: مؤشر امتثال الجهد (VCI). تحليل مقارن لـ VCI في ظل ظروف تشغيل ديناميكية ذات جهد منخفض. تُعرض القيم كمتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: VCI، مؤشر امتثال الجهد؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

أظهرت الخريطة الحرارية لـ VCI في الشكل 5 تطور الامتثال للجهد عبر حلقات التدريب. وقد حقق الإطار المقترح قيمًا تتراوح بين 95% و98% في التكرارات اللاحقة. بينما ظل CVC بين 70% و7%، في حين وصل RLVR وSBCM إلى 8% و86% تقريبًا، على التوالي. وبناءً عليه، أظهرت الخريطة الحرارية أن الإطار المقترح حافظ على أعلى أداء للامتثال للجهد خلال المراحل المتأخرة من التعلم.

خريطة حرارية توضح تحليل مؤشر الامتثال للجهد، وتكرارات التدريب مقابل الطرق، والنسب المئوية لمؤشر الامتثال للجهد (VCI).
الشكل 5: خريطة حرارية لمؤشر امتثال الجهد (VCI). خريطة حرارية توضح أداء مؤشر الامتثال للجهد (VCI) عبر تكرارات التدريب وطرق تنسيق المغذيات. يمثل المقياس اللوني مقدار مؤشر الامتثال للجهد، حيث تشير الألوان الفاتحة إلى قيم VCI أقل، بينما تشير الألوان الداكنة إلى قيم VCI أعلى. الاختصارات: VCI، مؤشر توافق الجهد؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

يوضح الجدول 5 معدل خفض الاحتقان (CRR). حيث ارتفع CVC من 48% إلى 63%. ووصل CMAC وDERC إلى 73% و75% تقريباً على التوالي، بينما وصل RLVR إلى 80% وSBCM إلى 82%. وزاد الإطار المقترح من 64% في بداية التدريب إلى 96% تقريباً بعد التقارب. وبالنسبة للقيم النهائية لطرق المقارنة، فقد حسّن الإطار المقترح CRR بنحو 3% مقارنة بـ CVC، و23% مقارنة بـ CMAC، و16% مقارنة بـ RLVR، و21% مقارنة بـ DERC، و14% مقارنة بـ SBCM. وأظهرت هذه الملاحظات أن سياسة التنسيق التعاوني حدت من انتشار الاحتقان بشكل أكثر فعالية من طرق المقارنة المركزية، والتقليدية متعددة الوكلاء، وتنظيم الجهد، والموارد الموزعة، والقائمة على الحساسية. ويقارن الشكل 6 زمن انتقال التنسيق (OL). ويتوافق زمن انتقال التنسيق المسجل مع وقت تنفيذ الساعة الجدارية المقاس الذي تطلبه خوارزمية التنسيق المقترحة أثناء المحاكاة على منصة الأجهزة المذكورة، ولا ينبغي تفسيره على أنه وقت التشغيل المادي لشبكة توزيع منشورة. وقد خفض الإطار المقترح OL من 220 ms إلى 98 ms. وعند التقارب، أنتج كل من CVC وCMAC وRLVR وDERC وSBCM أزمنة انتقال بلغت 283 ms و253 ms و215 ms و242 ms و205 ms على التوالي. وبناءً على ذلك، خفض الإطار المقترح زمن الانتقال بنسبة 65% و61% و54% و59% و52% تقريباً مقارنة بـ CVC وCMAC وRLVR وDERC وSBCM على التوالي. وقد أشار انخفاض زمن الانتقال إلى أن التعاون اللامركزي أتاح اتخاذ قرارات أسرع بشأن تنسيق المغذي.

تكرار التدريبالسعة الحيوية القسرية (%) (المتوسط ± الانحراف المعياري)نسبة CMAC (%) (المتوسط ± الانحراف المعياري)RLVR (%)(المتوسط ± الانحراف المعياري)نسبة التغيير في استهلاك الأكسجين المذكور (DERC) % (المتوسط ± الانحراف المعياري)SBCM (%) (المتوسط ± الانحراف المعياري)الطريقة المقترحة (%) (المتوسط ± الانحراف المعياري)
148.0 ± 0.552.0 ± 0.556.0 ± 0.454.0 ± 0.558.0 ± 0.464.0 ± 0.3
250.0 ± 0.554.0 ± 0.559.0 ± 0.456.0 ± 0.561.0 ± 0.468.0 ± 0.3
352.0 ± 0.557.0 ± 0.462.0 ± 0.459.0 ± 0.564.0 ± 0.472.0 ± 0.3
454.0 ± 0.460.0 ± 0.465.0 ± 0.462.0 ± 0.467.0 ± 0.476.0 ± 0.2
556.0 ± 0.462.0 ± 0.468.0 ± 0.364.0 ± 0.470.0 ± 0.380.0 ± 0.2
658.0 ± 0.465.0 ± 0.471.0 ± 0.367.0 ± 0.473.0 ± 0.384.0 ± 0.2
760.0 ± 0.467.0 ± 0.474.0 ± 0.369.0 ± 0.376.0 ± 0.387.0 ± 0.2
861.0 ± 0.469.0 ± 0.376.0 ± 0.371.0 ± 0.378.0 ± 0.390.0 ± 0.2
962.0 ± 0.471.0 ± 0.378.0 ± 0.373.0 ± 0.380.0 ± 0.393.0 ± 0.2
1063.0 ± 0.473.0 ± 0.380.0 ± 0.375.0 ± 0.382.0 ± 0.396.0 ± 0.2

الجدول 5: معدل خفض الاحتقان (CRR): المتوسط ± الانحراف المعياري لمعدل خفض الاحتقان (CRR) من خمس عمليات محاكاة مستقلة تقارن بين الإطار المقترح وطرق تنسيق المغذيات المرجعية. الاختصارات: CRR، معدل خفض الاحتقان؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية.

رسم بياني لتكرارات التدريب مقابل زمن استجابة التنسيق؛ نتائج تحليل التباين (ANOVA)، ومقارنة تقليل زمن الاستجابة.
الشكل 6: زمن انتقال التنسيق (Orchestration Latency). تحليل مقارن لزمن استجابة التنسيق (orchestration latency) أثناء التنسيق اللامركزي التكيفي للمغذيات. تُعرض القيم في صورة المتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فواصل الثقة بنسبة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: OL، زمن وصول التنسيق؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 7 يوضح سرعة التقارب (CS). ارتفعت نسبة CVC من 42% إلى 67% بعد 20 حلقة تدريبية. ووصلت كل من CMAC وDERC إلى 74% و79% تقريبًا، على التوالي. بينما وصلت RLVR إلى 87%، ووصلت SBCM إلى 90% تقريبًا. أما الإطار المقترح فقد ارتفع من 58% في الحلقة الأولى إلى 98.5% عند التقارب، متجاوزًا نسبة 93% بحلول الحلقة العاشرة. وقد حسّن الإطار المقترح أداء التقارب النهائي بنسبة 31.5% مقارنة بـ CVC، و24.5% مقارنة بـ CMAC، و1.5% مقارنة بـ RLVR، و19.5% مقارنة بـ DERC، و8.5% مقارنة بـ SBCM. وأظهرت هذه النتائج أن السياسة المقترحة حققت أداء تنسيق مستقرًا بسرعة أكبر من طرق المقارنة.

رسم بياني لسرعة التقارب؛ طرق متنوعة؛ مخطط خطي؛ حلقات التدريب؛ مقارنة الأداء.
الشكل 7: سرعة التقارب (CS). منحنيات التقارب التي توضح كفاءة التعلم التكيفي وسرعة تقارب التنسيق عبر الطرق التي تم تقييمها. الاختصارات: CS، سرعة التقارب؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

التنسيق التعاوني للقبول والتحسين التكيفي للقرار منخفض الكمون

الشكل 8 يعرض كفاءة التنسيق اللامركزي (DCE). حقق CVC أدنى قيمة لـ DCE بنسبة 68%. ووصل CMAC إلى 75%، وDERC إلى 79%، وRLVR إلى 84%، وSBCM إلى 88%. بينما حقق الإطار المقترح كفاءة تنسيق لامركزي (DCE) بنسبة 97%. لقد تفوق الإطار المقترح على CVC بمقدار 29 نقطة مئوية، وعلى CMAC بمقدار 22 نقطة مئوية، وعلى RLVR بمقدار 13 نقطة مئوية، وعلى DERC بمقدار 18 نقطة مئوية، وعلى SBCM بمقدار 9 نقاط مئوية. وأظهرت هذه النتيجة أن تبادل المعلومات المحلي، والتنسيق بين الوكلاء المتجاورين، وتحسين السياسة اللامركزية قد دعم تنسيقاً أكثر فاعلية مقارنة بطرق المقارنة.

مخطط شريطي لكفاءة التنسيق اللامركزي؛ تحليل ANOVA للطرق CVC وCMAC وRLVR وDERC وSBCM.
الشكل 8: كفاءة التنسيق اللامركزي (DCE). تحليل مقارن لـ DCE أثناء التعاون بين الوكلاء الأذكياء. تُعرض القيم في شكل المتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: DCE، كفاءة التنسيق اللامركزي؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 9 و الجدول 6 يعرضان قدرة استيعاب الطاقة المتجددة (RAC). حيث ارتفعت قيمة CVC من 52% إلى 63%. ووصلت قيمتا CMAC وDERC إلى 72% و76% تقريباً، على التوالي. كما وصلت قيمة RLVR إلى 83% تقريباً، بينما وصلت قيمة SBCM إلى 86%. أما الإطار المقترح فقد ارتفع من 70% في بداية التعلم إلى 97% عند التقارب. وقد تجاوز الإطار المقترح قيمة CVC بمقدار 34 نقطة مئوية، وقيمة CMAC بمقدار 25 نقطة مئوية، وقيمة RLVR بمقدار 14 نقطة مئوية، وقيمة DERC بمقدار 21 نقطة مئوية، وقيمة SBCM بمقدار 1 نقطة مئوية. وأظهرت هذه النتائج أن نهج التنسيق المقترح استوعب نسبة أكبر من توليد الطاقة المتجددة مع الحفاظ على تشغيل المغذي وأداء الجهد والوعي بالازدحام.

رسم بياني يقارن قدرة التكيف المتجدد عبر الطرق المختلفة خلال تكرارات التدريب.
الشكل 9: قدرة الاستيعاب المتجددة (RAC). تحليل مقارن لمساهمة الموارد النشطة (RAC) في أنظمة المغذيات الغنية بالطاقة المتجددة. تُعرض القيم كمتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: RAC، قدرة الاستيعاب المتجددة؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

تكرار التدريبالسعة الحيوية القسرية (%) (المتوسط ± الانحراف المعياري)نسبة CMAC (%) (المتوسط ± الانحراف المعياري)نسبة الحجم النسبي للسائل المتبقي (%) (المتوسط ± الانحراف المعياري)نسبة تقليل التآكل المعتمد على التفاعلات الكيميائية (٪) (المتوسط ± الانحراف المعياري)نسبة الـ SBCM (%) (المتوسط ± الانحراف المعياري)الطريقة المقترحة (%) (المتوسط ± الانحراف المعياري)
152.0 ± 0.558.0 ± 0.564.0 ± 0.460.0 ± 0.566.0 ± 0.470.0 ± 0.3
254.0 ± 0.560.0 ± 0.567.0 ± 0.462.0 ± 0.569.0 ± 0.474.0 ± 0.3
355.0 ± 0.462.0 ± 0.470.0 ± 0.464.0 ± 0.472.0 ± 0.478.0 ± 0.3
457.0 ± 0.464.0 ± 0.473.0 ± 0.366.0 ± 0.475.0 ± 0.382.0 ± 0.2
558.0 ± 0.466.0 ± 0.475.0 ± 0.368.0 ± 0.477.0 ± 0.386.0 ± 0.2
659.0 ± 0.467.0 ± 0.477.0 ± 0.370.0 ± 0.379.0 ± 0.389.0 ± 0.2
760.0 ± 0.468.0 ± 0.379.0 ± 0.372.0 ± 0.381.0 ± 0.391.0 ± 0.2
861.0 ± 0.469.0 ± 0.380.0 ± 0.373.0 ± 0.383.0 ± 0.393.0 ± 0.2
962.0 ± 0.470.0 ± 0.381.0 ± 0.374.0 ± 0.384.0 ± 0.395.0 ± 0.2
1063.0 ± 0.472.0 ± 0.383.0 ± 0.376.0 ± 0.386.0 ± 0.397.0 ± 0.2

الجدول 6: قدرة استيعاب الطاقة المتجددة (RAC): المتوسط ± الانحراف المعياري لقدرة استيعاب الطاقة المتجددة (RAC) من خمس عمليات محاكاة مستقلة تقارن الإطار المقترح مع طرق تنسيق المغذيات المرجعية. الاختصارات: RAC، قدرة استيعاب الطاقة المتجددة؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية.

تقييم الحساسية للجهد والازدحام

الشكل 10 يعرض استقرار الحساسية للجهد (VSS). ارتفعت قيمة CVC من 60% إلى 69%. ووصلت قيمتا CMAC وDERC إلى 76% و78% تقريباً على التوالي، بينما وصلت قيمة RLVR إلى 84%. أما الإطار المقترح فقد ارتفع من 74% خلال التدريب المبكر إلى 98% بعد التقارب. وتجاوز الإطار المقترح قيمة CVC بمقدار 29 نقطة مئوية، وCMAC بمقدار 22 نقطة مئوية، وRLVR بمقدار 14 نقطة مئوية، وDERC بمقدار 20 نقطة مئوية، وSBCM بمقدار 12 نقطة مئوية. وأظهرت هذه النتائج أن الإطار المدرك للحساسية حافظ على أداء أقوى للمغذيات الحساسة للجهد في ظل التقطع في الطاقة المتجددة، وتباين الطلب على الأحمال، والازدحام الديناميكي.

رسم بياني لاستقرار الحساسية للجهد، نسبة VSS مقابل تكرارات التدريب، تحليل التباين (ANOVA)، مقارنة الطرق.
الشكل 10: استقرار الحساسية للجهد (VSS). تحليل مقارن لاستقرار الحساسية للجهد أثناء التنسيق التكيفي للمغذيات المدرك للجهد. تُعرض القيم كمتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة بنسبة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: VSS، استقرار الحساسية الجهدية؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الازدحام القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 1 يعرض مؤشر الحساسية للازدحام (CSI). ارتفع CVC من 52% إلى 63%. ووصل CMAC و DERC إلى 72% و 76% على التوالي. ووصل RLVR إلى 83% تقريبًا، ووصل SBCM إلى 86% تقريبًا. أما الإطار المقترح فقد ارتفع من 72% خلال التدريب المبكر إلى 98% تقريبًا في نهاية التدريب. وتجاوز الإطار المقترح CVC بنحو 35 نقطة مئوية، و CMAC بنحو 26 نقطة مئوية، و RLVR بنحو 15 نقطة مئوية، و DERC بنحو 2 نقطة مئوية، و SBCM بنحو 12 نقطة مئوية. وأظهرت الخريطة الحرارية أن النهج المقترح حافظ على أعلى أداء من حيث الحساسية للازدحام خلال حلقات التدريب اللاحقة.

خريطة حرارية لمؤشر الحساسية للازدحام؛ الطرق مقابل تكرارات التدريب؛ تصور البيانات.
الشكل 11: خريطة حرارية لمؤشر الحساسية للاحتقان (CSI). خريطة حرارية توضح أداء الحساسية للاحتقان عبر مراحل التدريب وطرق تنسيق المغذيات. يمثل المقياس اللوني مقدار مؤشر الحساسية للاحتقان، حيث تشير الألوان الفاتحة إلى قيم أقل لمؤشر الحساسية للاحتقان، بينما تشير الألوان الداكنة إلى قيم أعلى لهذا المؤشر. الاختصارات: CSI، مؤشر الحساسية للاحتقان؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

التحقق من الصحة على نطاق واسع

الشكل 12 والجدول 7 يعرضان مؤشر استقرار المغذي (FSI). حيث حقق CVC متوسط FSI بنسبة 64.7%، بينما حقق CMAC وDERC متوسطات بلغت 72.5% و76.0% على التوالي. وحقق RLVR متوسط FSI بنسبة 81.5%. أما الإطار المقترح فقد حقق استقراراً في الجهد بنسبة 97%، وتحكماً في الاحتقان بنسبة 96%، وقدرة على دمج الطاقة المتجددة بنسبة 95%، وكفاءة في موازنة الأحمال بنسبة 94%، وكفاءة تنسيق بنسبة 98%، وسرعة استجابة بنسبة 97%. وأدت قيم هذه المكونات إلى متوسط FSI يبلغ 96.2% تقريباً. وقد حسن الإطار المقترح متوسط FSI بنحو 31.5 نقطة مئوية مقارنة بـ CVC، و23.7 نقطة مئوية مقارنة بـ CMAC، و14.7 نقطة مئوية مقارنة بـ RLVR، و20.2 نقطة مئوية مقارنة بـ DERC، و11.7 نقطة مئوية مقارنة بـ SBCM. وأظهرت قيم المكونات المتوازنة أن الإطار حافظ على الأداء عبر استقرار الجهد، وإدارة الاحتقان، ودمج الطاقة المتجددة، وموازنة الأحمال، وكفاءة التنسيق، وسرعة الاستجابة. وفي كل عملية محاكاة، استُخدم المتوسط الحسابي لمكونات الأداء الستة — استقرار الجهد، والتحكم في الاحتقان، ودمج الطاقة المتجددة، وموازنة الأحمال، وكفاءة التنسيق، وسرعة الاستجابة — لتحديد قيمة FSI الإجمالية. كما استُخدمت عمليات المحاكاة الخمس المنفصلة لحساب المتوسط والانحراف المعياري المذكورين.

مخطط راداري لطرق مؤشر استقرار المغذي (FSI)؛ تحليل مقاييس أداء الشبكة.
الشكل 12: مؤشر استقرار الخلايا المغذية (FSI). مقارنة بمخطط راداري لمؤشر استقرار المغذي للإطار المقترح والطرق المرجعية عبر ستة مكونات للأداء: استقرار الجهد، والتحكم في الاحتقان، وتكامل الطاقة المتجددة، وموازنة الأحمال، وكفاءة التنسيق، وسرعة الاستجابة. وتشير القيم الأعلى إلى أداء أفضل لكل مكون. الاختصارات: FSI، مؤشر استقرار التغذية؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الازدحام القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

معيار التقييمالسعة الحيوية الملونة (%) (المتوسط ± الانحراف المعياري)نسبة CMAC (%) (المتوسط ± الانحراف المعياري)نسبة حجم السائل المتبقي (RLVR) (%) (المتوسط ± الانحراف المعياري)نسبة التغير في استهلاك الأكسجين (%) (المتوسط ± الانحراف المعياري)نسبة SBCM (%) (المتوسط ± الانحراف المعياري)الطريقة المقترحة (%) (المتوسط ± الانحراف المعياري)
استقرار الجهد68.0 ± 0.674.0 ± 0.582.0 ± 0.477.0 ± 0.586.0 ± 0.397.0 ± 0.2
التحكم في الازدحام64.0 ± 0.671.0 ± 0.579.0 ± 0.474.0 ± 0.584.0 ± 0.396.0 ± 0.2
تكامل الطاقة المتجددة62.0 ± 0.570.0 ± 0.581.0 ± 0.476.0 ± 0.483.0 ± 0.395.0 ± 0.2
موازنة الحمل66.0 ± 0.573.0 ± 0.480.0 ± 0.475.0 ± 0.482.0 ± 0.394.0 ± 0.2
كفاءة التنسيق65.0 ± 0.575.0 ± 0.483.0 ± 0.378.0 ± 0.487.0 ± 0.398.0 ± 0.2
سرعة الاستجابة63.0 ± 0.572.0 ± 0.484.0 ± 0.376.0 ± 0.485.0 ± 0.397.0 ± 0.2
متوسط درجة مؤشر استقرار الوجه (FSI)64.7 ± 0.572.5 ± 0.581.5 ± 0.476.0 ± 0.484.5 ± 0.396.2 ± 0.2

الجدول 7: مؤشر استقرار المغذي (FSI): المتوسط ± الانحراف المعياري لمؤشر استقرار المغذي (FSI) من خمس عمليات محاكاة مستقلة بناءً على استقرار الجهد، والتحكم في الازدحام، وتكامل الطاقة المتجددة، وموازنة الأحمال، وكفاءة التنسيق، وسرعة الاستجابة. الاختصارات: FSI، مؤشر استقرار المغذي؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الازدحام القائمة على الحساسية.

الشكل 13 يعرض كفاءة موازنة الحمل (LBE). حققت CVC كفاءة موازنة حمل إجمالية تبلغ حوالي 68%، وتتكون من 42% توزيع حمل متوازن، و18% استقرار حمل متوسط، و8% موازنة تكيفية ديناميكية. بينما حققت CMAC وDERC قيمًا إجمالية بلغت حوالي 80% و86% على التوالي. ووصلت RLVR إلى حوالي 92%، ووصلت SBCM إلى حوالي 96%. كما حقق الإطار المقترح كفاءة موازنة حمل إجمالية بلغت حوالي 98%، وتتكون من 72% توزيع حمل متوازن، و20% استقرار حمل متوسط، و6% موازنة تكيفية ديناميكية. وأظهرت هذه النتيجة أن المنهج المقترح حافظ على أعلى أداء إجمالي لموازنة الحمل من بين الطرق التي تم تقييمها.

مخطط شريطي متراكم لكفاءة موازنة الحمل حسب الطريقة: CVC، وCMAC، وRLVR، وDERC، وSBCM، والطريقة المقترحة.
الشكل 13: كفاءة موازنة الحمل (LBE). مقارنة بالأعمدة المتراكمة لكفاءة موازنة الحمل للإطار المقترح والطرق المرجعية. يتكون كل عمود متراكم من ثلاثة مكونات للأداء: توزيع الحمل المتوازن, استقرار الحمل المتوسط, و الموازنة التكيفية الديناميكية, وتمثل قيمها المجمعة كفاءة موازنة الحمل (LBE) الإجمالية لكل طريقة، حيث تشير القيم الإجمالية الأعلى إلى أداء أفضل في موازنة الحمل.. الاختصارات: LBE، كفاءة موازنة الحمل؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 14 تعرض هذه النتائج كفاءة الاستخدام المتجدد (RUE). فقد ارتفعت قيمة CVC من 50% إلى 61%، بينما وصلت قيمتا CMAC وDERC إلى 70% و75% على التوالي. ووصلت قيمة RLVR إلى 82%، بينما وصلت قيمة SBCM إلى 86%. أما الإطار المقترح فقد ارتفعت كفاءته من 72% خلال مرحلة التدريب المبكر إلى ما يقارب 98% عند التقارب. وقد تفوق الإطار المقترح على CVC بنحو 37 نقطة مئوية، وعلى CMAC بنحو 28 نقطة مئوية، وعلى RLVR بنحو 16 نقطة مئوية، وعلى DERC بنحو 23 نقطة مئوية، وعلى SBCM بنحو 12 نقطة مئوية. وأظهرت القيمة الأعلى لكفاءة الاستخدام المتجدد أن سياسة التنسيق المقترحة استخدمت نسبة أكبر من التوليد المتجدد المتاح في ظل ظروف تغير الحمل والازدحام.

رسم بياني لكفاءة استخدام الطاقة المتجددة مقابل تكرارات التدريب؛ يقارن بين طرق مثل CVC وCMAC.
الشكل 14: كفاءة استهلاك الموارد المتجددة (RUE). تحليل مقارن لفعالية استخدام الموارد (RUE) أثناء تنسيق مغذيات الجهد المنخفض. تُعرض القيم كمتوسط ± الانحراف المعياري من خلال مقارنة الإطار المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة بنسبة 95% والدلالة الإحصائية عند p < 0.001الاختصارات: RUE، كفاءة الاستخدام المتجدد؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الازدحام القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 15 و الجدول 8 يعرضان دقة القرار التكيفي (ADA). حيث ارتفع الإطار المقترح من 78% إلى 9%. بينما تقاربت قيم CVC وCMAC وRLVR وDERC وSBCM إلى 68% و76% و86% و79% و8% على التوالي. وقد تجاوز الإطار المقترح CVC بنحو 31 نقطة مئوية، وCMAC بنحو 23 نقطة مئوية، وRLVR بنحو 13 نقطة مئوية، وDERC بنحو 20 نقطة مئوية، وSBCM بنحو 1 نقطة مئوية. وتشير قيمة ADA الأعلى إلى أن الوكلاء المتعاونين اتخذوا قرارات تنسيق أكثر دقة في ظل ظروف تشغيل LV الغنية بالطاقة المتجددة.

رسم بياني لدقة القرار التكيفي؛ عصور التدريب مقابل الطرق؛ نتائج تحليل التباين (ANOVA).
الشكل 15: دقة القرار التكيفية (ADA). تحليل مقارن لمتوسط وقت التأخير (ADA) لإطار عمل التنسيق المقترح والطرق المرجعية. تُعرض القيم كمتوسط ± الانحراف المعياري من خلال مقارنة إطار العمل المقترح مع كل طريقة مرجعية عبر خمس عمليات محاكاة مستقلة، مع تقييم فترات الثقة 95% والدلالة الإحصائية عند p < 0.001. الاختصارات: ADA، دقة القرار التكيفية؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

حقبة التدريبالسعة الحيوية القسرية (%) (المتوسط ± الانحراف المعياري)القدرة على تكوين الغشاء المتقطع (%) (المتوسط ± الانحراف المعياري)RLVR (%) (المتوسط ± الانحراف المعياري)النسبة المئوية لـ DERC (المتوسط ± الانحراف المعياري)SBCM (%) (المتوسط ± الانحراف المعياري)الطريقة المقترحة (%) (المتوسط ± الانحراف المعياري)
158.0 ± 0.564.0 ± 0.570.0 ± 0.466.0 ± 0.572.0 ± 0.478.0 ± 0.3
260.0 ± 0.566.0 ± 0.573.0 ± 0.468.0 ± 0.575.0 ± 0.482.0 ± 0.3
361.0 ± 0.468.0 ± 0.476.0 ± 0.470.0 ± 0.478.0 ± 0.486.0 ± 0.2
462.0 ± 0.470.0 ± 0.478.0 ± 0.372.0 ± 0.480.0 ± 0.389.0 ± 0.2
563.0 ± 0.471.0 ± 0.480.0 ± 0.374.0 ± 0.482.0 ± 0.391.0 ± 0.2
664.0 ± 0.472.0 ± 0.482.0 ± 0.375.0 ± 0.384.0 ± 0.393.0 ± 0.2
765.0 ± 0.473.0 ± 0.383.0 ± 0.376.0 ± 0.385.0 ± 0.395.0 ± 0.2
866.0 ± 0.474.0 ± 0.384.0 ± 0.377.0 ± 0.386.0 ± 0.396.0 ± 0.2
967.0 ± 0.475.0 ± 0.385.0 ± 0.378.0 ± 0.387.0 ± 0.397.0 ± 0.2
1068.0 ± 0.476.0 ± 0.386.0 ± 0.379.0 ± 0.388.0 ± 0.399.0 ± 0.2

الجدول 8: دقة القرار التكيفي (ADA): المتوسط ± الانحراف المعياري لدقة القرار التكيفي (ADA) من خمس عمليات محاكاة مستقلة تقارن بين إطار عمل تنسيق التغذية الذكي المقترح والطرق المرجعية. الاختصارات: ADA، دقة القرار التكيفي؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الاحتقان القائمة على الحساسية.

الجدول 9 يعرض تحسين موثوقية النظام (SRI). زاد CVC من 60% إلى 69%. ووصل CMAC إلى 78% تقريبًا، وDERC إلى 81% تقريبًا، وRLVR إلى 86% تقريبًا، وSBCM إلى 8% تقريبًا. أما الإطار المقترح فقد زاد من 80% خلال مرحلة التعلم المبكر إلى 9% تقريبًا عند التقارب. وقد تفوق الإطار المقترح على CVC بنحو 30 نقطة مئوية، وعلى CMAC بنحو 21 نقطة مئوية، وعلى RLVR بنحو 13 نقطة مئوية، وعلى DERC بنحو 18 نقطة مئوية، وعلى SBCM بنحو 1 نقطة مئوية. وأظهرت قيمة SRI الأعلى أن الإطار المقترح حافظ على استمرارية المغذي، واستقرار الجهد، والتحكم في الازدحام، والتكامل التكيفي للطاقة المتجددة بشكل أكثر فعالية من طرق المقارنة.

تكرار التدريبالسعة الحيوية القسرية (%) (المتوسط ± الانحراف المعياري)نسبة CMAC (%) (المتوسط ± الانحراف المعياري)نسبة الحجم النسبي المتبقي (%) (المتوسط ± الانحراف المعياري)نسبة التثبيط المرجعية في التفاعل الإنزيمي (%) (المتوسط ± الانحراف المعياري)نسبة تركيز الكتل الحيوية السطحية (%) (المتوسط ± الانحراف المعياري)الطريقة المقترحة (%) (المتوسط ± الانحراف المعياري)
160.0 ± 0.566.0 ± 0.572.0 ± 0.468.0 ± 0.575.0 ± 0.480.0 ± 0.3
261.0 ± 0.568.0 ± 0.574.0 ± 0.470.0 ± 0.577.0 ± 0.484.0 ± 0.3
362.0 ± 0.470.0 ± 0.476.0 ± 0.472.0 ± 0.479.0 ± 0.487.0 ± 0.2
463.0 ± 0.472.0 ± 0.478.0 ± 0.374.0 ± 0.481.0 ± 0.390.0 ± 0.2
564.0 ± 0.473.0 ± 0.480.0 ± 0.376.0 ± 0.483.0 ± 0.392.0 ± 0.2
665.0 ± 0.474.0 ± 0.482.0 ± 0.377.0 ± 0.384.0 ± 0.394.0 ± 0.2
766.0 ± 0.475.0 ± 0.383.0 ± 0.378.0 ± 0.385.0 ± 0.395.0 ± 0.2
867.0 ± 0.476.0 ± 0.384.0 ± 0.379.0 ± 0.386.0 ± 0.396.0 ± 0.2
968.0 ± 0.477.0 ± 0.385.0 ± 0.380.0 ± 0.387.0 ± 0.397.0 ± 0.2
1069.0 ± 0.478.0 ± 0.386.0 ± 0.381.0 ± 0.388.0 ± 0.399.0 ± 0.2

الجدول 9: تحسين موثوقية النظام (SRI): المتوسط ± الانحراف المعياري (SD) لتحسين موثوقية النظام (SRI) من خمس عمليات محاكاة مستقلة في ظل ظروف توزيع الجهد المنخفض الغنية بالطاقة المتجددة. الاختصارات: SRI، تحسين موثوقية النظام؛ CVC، التحكم المركزي في الجهد؛ CMAC، التحكم التقليدي متعدد الوكلاء؛ RLVR، تنظيم الجهد القائم على التعلم التعزيزي؛ DERC، تنسيق موارد الطاقة الموزعة؛ SBCM، إدارة الازدحام القائمة على الحساسية.

تم تقييم الإطار المقترح تحت ظروف متنوعة من التوليد المتجدد، وطلب الأحمال، والجهد، والازدحام باستخدام مجموعات بيانات FeederBW و236-bus LV. كما تم تقييم قبول المغذي، والامتثال للجهد، وتقليل الازدحام، وزمن استجابة التنسيق، وسرعة التقارب، والتنسيق اللامركزي، واستيعاب الطاقة المتجددة، وحساسية الجهد، وحساسية الازدحام، واستقرار المغذي، وموازنة الأحمال، والاستفادة من الطاقة المتجددة، ودقة القرار، وموثوقية النظام.

عبر هذه المقاييس، حقق الإطار المقترح أعلى قيم نهائية لـ FAR وVCI وCRR وCS وDCE وRAC وVSS وCSI وFSI وLBE وRUE وADA وSRI، وأدنى قيمة لـ OL. ونظرًا لأنه تم تقييم الطرق المرجعية بناءً على نفس مجموعات البيانات، وسيناريوهات التشغيل، وبيئة المحاكاة، ومعايير التوقف، ومقاييس التقييم، فإن هذه المقارنات تدعم الفرضية القائلة بأن التعلم التعزيزي التعاوني متعدد الوكلاء، المقترن بتقييم الحساسية للجهد والاحتقان، قد أدى إلى تحسين القبول التكيفي للمغذيات مقارنة بطرق المقارنة المركزية والموزعة التي تم تقييمها.

أظهرت النتائج أن استراتيجية التنسيق الديناميكي (Dynamic Orchestration Strategy) قد حسنت من قبول المغذي، والامتثال للجهد، وتقليل الازدحام، واستيعاب الطاقة المتجددة، وموازنة الأحمال، والتنسيق اللامركزي، ودقة اتخاذ القرار، وموثوقية النظام، مع تقليل زمن وصول التنسيق. كما تقارب الإطار المقترح بشكل أسرع من طرق المقارنة. وفي ظل ظروف المحاكاة التي تم تقييمها، دعمت هذه النتائج الفرضية المقترحة بأن التعلم التعزيزي اللامركزي، التعاوني والواعي بالحساسية، يمكن أن يحسن تنسيق مغذيات الجهد المنخفض في ظل عدم اليقين في توليد الطاقة المتجددة وتغير ظروف الأحمال والازدحام.

توافر البيانات:

تتوفر مجموعة بيانات FeederBW للعموم عبر الرابط https://doi.org/10.5281/zenodo.178317، كما تتوفر مجموعة بيانات شبكة توزيع الجهد المنخفض المكونة من 236 ناقل (236-Bus Low-Voltage Distribution Network) للعموم عبر الرابط https://doi.org/10.5281/zenodo.8274780. وقد تم إيداع تطبيق Python الذي تم تطويره لهذه الدراسة، جنباً إلى جنب مع إطار المحاكاة، ووحدات المعالجة المسبقة، وبيئة تعلم التعزيز متعدد الوكلاء، ونصوص تدريب وتقييم النموذج، وملفات التكوين، وتنسيقات بيانات الإدخال المطلوبة لإعادة إنتاج المنهجية المقترحة، في Zenodo وهي متاحة للعموم عبر https://doi.org/10.5281/zenodo.21423239. ويدعم هذا المستودع إمكانية تكرار المنهجية والتجارب الواردة في هذه الدراسة.

الملف التكميلي 1. الاشتقاقات الرياضية، والخوارزمية، وتفاصيل التنفيذ لاستراتيجية التنسيق الديناميكي المقترحة. يوفر هذا الملف التكميلي الصيغ الرياضية التي تدعم كل مرحلة من مراحل الإطار المقترح، بما في ذلك المعالجة المسبقة للبيانات، ونمذجة الشبكة ذات الجهد المنخفض الديناميكية، وتهيئة بيئة الوكلاء المتعددين، وتعلم الوكلاء القائم على التعزيز، وتقييم الحساسية للجهد والازدحام، والتنسيق التعاوني لقبول المغذي، ومقاييس تقييم الأداء. كما يتضمن الخوارزمية 1، التي تصف إجراء التنسيق التعاوني لقبول المغذي، جنباً إلى جنب مع التعريفات الرياضية لمقاييس التقييم المستخدمة في هذه الدراسة.يرجى النقر هنا لتنزيل هذا الملف.

المناقشة

أظهرت النتائج التجريبية أن استراتيجية التنسيق الديناميكي (Dynamic Orchestration Strategy) المقترحة قد حسنت من التنسيق اللامركزي للمغذيات، وتكامل الطاقة المتجددة، واستقرار الجهد، وإدارة الاحتقان، والتنسيق منخفض زمن الوصول مقارنة بكل من التحكم المركزي في الجهد (CVC)33، والتحكم التقليدي متعدد الوكلاء (CMAC)21، وتنظيم الجهد القائم على التعلم التعزيزي (RLVR)20، وتنسيق موارد الطاقة الموزعة (DERC)26، وإدارة الاحتقان القائمة على الحساسية (SBCM)34. وقد حقق الإطار المقترح أداءً أعلى في ظل الظروف المختبرة عبر جميع المؤشرات التي تم تقييمها، وهي: معدل قبول المغذي (FAR)، ومؤشر الامتثال للجهد (VCI)، ومعدل خفض الاحتقان (CRR)، وكفاءة التنسيق اللامركزي (DCE)، وكفاءة الاستفادة من الطاقة المتجددة (RUE)، ودقة القرار التكيفي (ADA)، وتحسين موثوقية النظام (SRI). وأشارت النتائج التي تم الحصول عليها باستخدام مجموعات بيانات FeederBW والشبكة ذات 236 قضيباً (bus) ذات الجهد المنخفض (LV) إلى أن الدمج بين التعلم التعزيزي التعاوني متعدد الوكلاء وتقييم الحساسية للجهد والاحتقان قد أدى إلى تحسين كفاءة وسرعة التنسيق التكيفي للمغذيات.

كما أظهر التحليل المقارن أن طرق التنسيق المركزية والقائمة على القواعد كانت استجاباتها في التنظيم أبطأ، وقدرتها على استيعاب الطاقة المتجددة أقل، وكفاءة تنسيقها التكيفية منخفضة، وقابليتها للتوسع أكثر محدودية في ظل ظروف التغذية المتغيرة33,34. وعلى الرغم من أن RLVR وSBCM قد حققا أداءً أفضل من طرق المقارنة الأخرى بفضل مكونات التعلم التعزيزي وإدارة الازدحام المدركة للحساسية، إلا أنهما لم يوفرا آلية تنظيم تعاونية ولا مركزية لقبول التغذية. وفي المقابل، دمج الإطار المقترح بين الوكلاء الأذكياء التعاونيين، وتحديد أولويات التغذية المدركة للحساسية، وتحسين التنظيم التكيفي، وتعلم السياسات اللامركزي. وقد أشارت مؤشرات التقارب الأسرع والاستقرار الأعلى إلى أن هذا الهيكل المدمج يدعم تشغيل التغذية في ظل ظروف متغيرة من التوليد المتجدد، والحمل، والجهد، والازدحام.

اعتمدت بنية التعلم التعزيزي متعدد الوكلاء اللامركزي توزيع عملية اتخاذ القرار بين وكلاء على مستوى المغذي بدلاً من الاعتماد على وحدة تحكم مركزية واحدة. ومع زيادة حجم شبكة التوزيع، قام كل وكيل بإجراء حسابات محلية وتبادل معلومات التنسيق المطلوبة فقط مع الوكلاء المجاورين. وقد أدى هذا التنظيم إلى تقليل الاختناقات الحسابية المركزية وأعباء الاتصالات، مما دعم القابلية للتوسع35. وبناءً على ذلك، قد يكون هذا الإطار قابلاً للتطبيق على شبكات أكبر ذات تغلغل أعلى للطاقة المتجددة، وقطاعات مغذيات إضافية، وتعقيد تشغيلي أكبر. ومع ذلك، فإن النشر على نطاق واسع جداً سيتطلب مزيداً من التحسين لموارد الحوسبة الموزعة وبروتوكولات الاتصال.

ساهمت الدراسة أيضاً بنهج قائم على التعلم اللامركزي لإدارة المغذيات ذات الجهد المنخفض. وبخلاف طرق التحكم في الجهد وإدارة الازدحام التقليدية التي تعتمد بشكل أساسي على قواعد تشغيل ثابتة أو تحسين مركزي33، دمجت الاستراتيجية المقترحة بين تقييم الحساسية للجهد، والتنسيق المدرك للازدحام، وتحسين السياسات المدفوع بالتعزيز، والتصنيف الديناميكي لقبول المغذيات، والتواصل بين الوكلاء المتعاونين. وقد وسّع هذا التكامل استخدام التعلم التعزيزي متعدد الوكلاء من تنظيم الجهد وتنسيق الموارد إلى التنسيق التكيفي لقبول المغذيات في شبكات توزيع الجهد المنخفض الغنية بمصادر الطاقة المتجددة.

قد تدعم الطريقة المقترحة إدارة قبول المغذيات لشركات المرافق، ومشغلي الشبكات الذكية، وأنظمة إدارة الطاقة المتجددة. ومع ذلك، يجب معالجة العديد من التحديات قبل التنفيذ العملي. فقد تؤثر تأخيرات الاتصال على سرعة تبادل المعلومات والتنسيق بين الوكلاء الموزعين، لا سيما في الشبكات واسعة النطاق. كما ستكون هناك حاجة إلى اتصالات آمنة وتدابير للأمن السيبراني لحماية تفاعلات الوكلاء والبيانات التشغيلية من الوصول غير المصرح به والهجمات السيبرانية. وسيتطلب التكامل مع أنظمة إدارة التوزيع الحالية إمكانية التشغيل البيني مع بروتوكولات اتصال المرافق، وبنى التحكم الإشرافي، والإجراءات التشغيلية. وبناءً على ذلك، سيعتمد التنفيذ العملي على هياكل اتصال ذات زمن انتقال منخفض، ونقل آمن للبيانات، وواجهات قياسية، والتحقق الميداني36,37.

كانت الدراسة محدودة باعتمادها على مجموعات بيانات FeederBW و 236-bus LV، وبناءً على التحقق القائم على المحاكاة في ظل ظروف تشغيل واتصالات محددة مسبقاً. قد لا تمثل هذه الإعدادات بشكل كامل الطوبولوجيا، أو الاضطرابات، أو إخفاقات الاتصال، أو الأحداث السيبرانية-الفيزيائية التي تواجه شبكات المرافق الحقيقية. كما قد يصبح التعقيد الحسابي أكثر تأثيراً في ظل ظروف تشغيل واسعة النطاق جداً أو ذات اعتماد عالٍ على الطاقة المتجددة. لذا، يجب أن يعمل البحث المستقبلي على تقييم الإطار المقترح باستخدام مجموعات بيانات إضافية على مستوى المرافق، وشبكات توزيع حقيقية، ومنصات "الأجهزة في الحلقة" (hardware-in-the-loop)، وتجهيزات تجريبية ميدانية. وسيركز البحث على التحقق من صحة الإطار المقترح باستخدام منصات "الأجهزة في الحلقة"، وشبكات مرافق حقيقية، وأنظمة توزيع أكبر. بالإضافة إلى ذلك، ستتقصى الدراسات المستقبلية بنى التعلم التعزيزي المتقدمة واستراتيجيات التنسيق الموزع المحسنة لتعزيز القابلية للتوسع والمتانة التشغيلية بشكل أكبر. وبشكل عام، أظهرت نتائج المحاكاة أن التعلم التعزيزي التعاوني متعدد الوكلاء، مقترناً بتقييم الحساسية للجهد والازدحام، يمكن أن يحسن من قبول المغذي، والامتثال للجهد، وتخفيف الازدحام، وتكامل الطاقة المتجددة، والتنسيق اللامركزي، والتقارب، وزمن الاستجابة، واتخاذ القرار التكيفي. وثمة حاجة إلى إجراء اختبارات إضافية باستخدام بيانات مرافق حقيقية، وتأخيرات اتصال واقعية، واضطرابات سيبرانية-فيزيائية، وظروف "الأجهزة في الحلقة" أو اختبارات ميدانية لتأكيد القابلية للتوسع العملي والموثوقية التشغيلية.

الإفصاحات

يصرح المؤلفون بأنه لا توجد لديهم أي تضاربات في المصالح.

شكر وتقدير

تم دعم هذا البحث من قبل مكتب إمدادات الطاقة في قوانغتشو التابع لشركة شبكة كهرباء قوانغدونغ من خلال مشروع "البحث في تكنولوجيا القبول المؤتمت لمعدات قياس الجهد المنخفض بناءً على أتمتة العمليات" (كود المشروع: 030100KC24120100).

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مجموعة بيانات شبكة توزيع الجهد المنخفض 236-BusCanizes et al.DOI: 10.5281/zenodo.8274780مجموعة بيانات مرجعية عامة مستخدمة لتحليل القابلية للتوسع والتحقق واسع النطاق من الإطار المقترح
وحدة المعالجة المركزية (CPU)Intel CorporationIntel Core i9-12900K (16-Core)مستخدمة لإدارة المحاكاة وتنفيذ البيئة
وحدة تحليل حساسية الازدحاموحدة مطورة خصيصاًZenodo DOI: 10.5281/zenodo.21423239تقوم بحساب حساسية الازدحام في الوقت الفعلي وتحديد أولويات المغذيات
مجموعة أدوات CUDANVIDIA CorporationCUDA 12.1منصة حوسبة GPU مستخدمة لتسريع تدريب نموذج PyTorch
مكتبة cuDNNNVIDIA CorporationcuDNN 9.3.0مكتبة تسريع الشبكات العصبية العميقة المستخدمة مع CUDA
محاكي شبكة LV الديناميكي المخصصوحدة مطورة خصيصاًVersion 1.0منصة محاكاة طورها المؤلف تم تنفيذها باستخدام Python وPyTorch لتجارب تنسيق المغذيات الديناميكي. تتوفر تفاصيل التنفيذ في قسمي الطرق وتوافر البيانات.
مكتبة معالجة البياناتpandas Development Teampandas 2.2.2مستخدمة في المعالجة المسبقة، واستخراج الميزات، والتطبيع، وإدارة بيانات السلاسل الزمنية
إطار التعلم العميقPyTorch FoundationPyTorch 2.3.1مستخدم لتنفيذ نموذج التعلم التعزيزي متعدد الوكلاء (MARL)، وتدريب الشبكة العصبية، وتحسين السياسة
وحدة اتصالات الوكلاء الموزعةإطار عمل مطور خصيصاًZenodo DOI: 10.5281/zenodo.21423239تمكن من الاتصال اللامركزي وتبادل السياسات التعاوني بين الوكلاء الأذكياء
مجموعة بيانات FeederBWTreutlein et al.DOI: 10.5281/zenodo.17831177مجموعة بيانات عامة تحتوي على قياسات مغذيات الجهد المنخفض من العالم الحقيقي، والتوليد المتجدد، وملفات التشغيل
وحدة معالجة الرسوميات (GPU)NVIDIA CorporationGeForce RTX 3090, 24 GB GDDR6Xمسرع عتادي مستخدم لتدريب الشبكة العصبية والحوسبة المتوازية
بيئة التعلم التعزيزي متعدد الوكلاءFarama FoundationGym 0.26.2بيئة تعلم تعزيزي مخصصة للتفاعل والتدريب التعاوني للوكلاء الأذكياء
مكتبة الحوسبة العدديةNumPy DevelopersNumPy 1.26.4مستخدمة في الحسابات العددية، ومعالجة الموترات، وعمليات المصفوفات
نظام التشغيلCanonical Ltd.Ubuntu 22.04.5 LTS (64-bit)نظام التشغيل المستخدم في جميع عمليات المحاكاة وتجارب التعلم التعزيزي
لغة برمجة PythonPython Software FoundationPython 3.11.9لغة البرمجة الأساسية المستخدمة في تنفيذ الخوارزميات، والمحاكاة، وتطوير النموذج
ذاكرة النظامLenovo64 GB DDR5 RAMذاكرة النظام المثبتة المستخدمة لمحاكاة MARL واسعة النطاق ومعالجة البيانات.
وحدة مراقبة استقرار الجهدوحدة مطورة خصيصاًZenodo DOI: 10.5281/zenodo.21423239تقوم بتقييم استقرار الجهد والامتثال بشكل مستمر أثناء تنسيق المغذيات

المراجع

  1. Ahmed F, et al. A multi-agent reinforcement learning framework for voltage-constrained incentive demand response in PV-rich low-voltage distribution systems. IEEE Access. 2026;14:45410–22.
  2. Lamsal D, Sreeram V, Mishra Y, Kumar DS. Smoothing control strategy of wind and photovoltaic output power fluctuation by considering the state of health of battery energy storage system. IET Renew Power Gener. 2019;13:578–86.
  3. Allahmoradi S, et al. Data-driven Volt/VAR optimization for modern distribution networks: A review. IEEE Access. 2024;12:71184–204.
  4. O'Connell N, Pinson P, Madsen H, O'Malley M. Benefits and challenges of electrical demand response: A critical review. Renew Sustain Energy Rev. 2014;39:686–99.
  5. Hossain MS, Madlool NA, Al-Fatlawi AW, El Haj Assad M. High penetration of solar photovoltaic structure on the grid system disruption: An overview of technology advancement. Sustainability. 2023;15:1174. https://doi.org/10.3390/su15021174
  6. Rahmouni A. Impact of static reactive power compensator (SVC) on the power grid. WSEAS Trans Electron. 2020;11:96–104.
  7. Chandran CV, et al. Application of demand response to improve voltage regulation with high DG penetration. Electr Power Syst Res. 2020;189:106722. https://doi.org/10.1016/j.epsr.2020.106722
  8. Wang Q, et al. A demand response strategy in high photovoltaic penetration power systems considering the thermal ramp rate limitation. IEEE Access. 2019;7:163814–22.
  9. Wang Z, et al. How to effectively implement an incentive-based residential electricity demand response policy? Experience from large-scale trials and matching questionnaires. Energy Policy. 2020;141:111450. https://doi.org/10.1016/j.enpol.2020.111450
  10. van Tilburg J, Siebert LC, Cremer JL. MARL-iDR: Multi-agent reinforcement learning for incentive-based residential demand response. arXiv. 2023. https://arxiv.org/abs/2304.04086
  11. Bahrami S, Chen YC, Wong VWS. Deep reinforcement learning for demand response in distribution networks. IEEE Trans Smart Grid. 2021;12:1496–506.
  12. Li J, et al. Model-free reinforcement learning economic dispatch algorithms for price-based residential demand response management system. IEEE Trans Ind Cyber-Phys Syst. 2023;1:123–35.
  13. Zheng S, et al. Incentive-based integrated demand response for multiple energy carriers under complex uncertainties and double coupling effects. Appl Energy. 2021;283:116254. https://doi.org/10.1016/j.apenergy.2020.116254
  14. Nainar K, Pillai JR, Bak-Jensen B. Incentive price-based demand response in active distribution grids. Appl Sci. 2020;11:1–17.
  15. Nguyen Duc T, et al. Impact of renewable energy integration on a novel method for pricing incentive payments of incentive-based demand response program. IET Gener Transm Distrib. 2022;16:1648–67.
  16. Pourramezan A, Samadi M. A novel approach for incorporating incentive-based and price-based demand response programs in long-term generation investment planning. Int J Electr Power Energy Syst. 2022;142:108315. https://doi.org/10.1016/j.ijepes.2022.108315
  17. Mathew A, Roy A, Mathew J. Intelligent residential energy management system using deep reinforcement learning. IEEE Syst J. 2020;14:5362–72.
  18. Khan DA, Arshad A, Lehtonen M, Mahmoud K. Combined DR pricing and voltage control using reinforcement learning based multi-agents and load forecasting. IEEE Access. 2022;10:130839-49.
  19. Zhang X, et al. An edge-cloud integrated solution for buildings demand response using reinforcement learning. IEEE Trans Smart Grid. 2021;12:420–31.
  20. Duan J, et al. Deep-reinforcement-learning-based autonomous voltage control for power grid operations. IEEE Trans Power Syst. 2020;35:814–7.
  21. Wang S, et al. A data-driven multi-agent autonomous voltage control framework using deep reinforcement learning. IEEE Trans Power Syst. 2020;35:4644–54.
  22. Turitsyn K, Sulc P, Backhaus S, Chertkov M. Options for control of reactive power by distributed photovoltaic generators. Proc IEEE. 2011;99:1063–73.
  23. Bedawy A, et al. Optimal voltage control strategy for voltage regulators in active unbalanced distribution systems using multi-agents. IEEE Trans Power Syst. 2020;35:1023–35.
  24. Bedawy A, Yorino N, Mahmoud K. Management of voltage regulators in unbalanced distribution networks using voltage/tap sensitivity analysis. Presented at: International Conference on Innovative Trends in Computer Engineering (ITCE); Aswan, Egypt; 2018. https://doi.org/10.1109/itce.2018.8316651
  25. Smith O, et al. The effect of renewable energy incorporation on power grid stability and resilience. Sci Adv. 2022;8:eabj6734. https://doi.org/10.1126/sciadv.abj6734
  26. Charbonnier F, Morstyn T, McCulloch MD. Scalable multi-agent reinforcement learning for distributed control of residential energy flexibility. Applied Energy. 2022;314:118825. doi:10.1016/j.apenergy.2022.118825
  27. Dugan J, Mohagheghi S, Kroposki B. Application of mobile energy storage for enhancing power grid resilience: A review. Energies. 2021;14:6476. https://doi.org/10.3390/en14206476
  28. Panossian N, et al. Challenges and opportunities of integrating electric vehicles in electricity distribution systems. Curr Sustain Renew Energy Rep. 2022;9:27–40.
  29. Guan Q, et al. Dynamic-aware deep reinforcement learning for heterogeneous fleet-based capacitated electric vehicle routing problems. Applied Energy. 2026;413:127757. https://doi.org/10.1016/j.apenergy.2026.127757
  30. Guan Q, et al. Heterogeneous attention-driven deep reinforcement learning for solving EVRPs with pickup-delivery and time windows. Applied Energy. 2026;407:127355. https://doi.org/10.1016/j.apenergy.2026.127355
  31. Treutlein M, et al. Real-world energy data of 200 feeders from low-voltage grids with metadata in Germany over two years (Version v1.0) [Data set]. Zenodo; 2025. https://doi.org/10.5281/zenodo.17831177
  32. Canizes B, Castro F, Silveira V, Vale Z. 236-Bus Low Voltage Distribution Network Data [Data set]. Zenodo; 2023. https://doi.org/10.5281/zenodo.8274780
  33. Xi, Haikuo & Chen, Can & Bai, Xuesong & Ma, Yuan & Ding, Jiachao & Chen, Qifang. (2024). Centralized and decentralized combined voltage control for distribution network with high penetration PV connected. Journal of Physics: Conference Series. 2771. 012040. 10.1088/1742-6596/2771/1/012040.
  34. Singh AK, Parida SK. Congestion management with distributed generation and its impact on electricity market. International Journal of Electrical Power & Energy Systems. 2013;48:39–47. doi:10.1016/j.ijepes.2012.11.025.
  35. Gooi HB, Wang T, Tang Y. Edge intelligence for smart grid: A survey on application potentials. CSEE Journal of Power and Energy Systems. 2023;9(5):1623–1640. https://doi.org/10.17775/CSEEJPES.2022.02210
  36. Molokomme DN, Onumanyi AJ, Abu-Mahfouz AM. Edge intelligence in smart grids: A survey on architectures, offloading models, cyber security measures, and challenges. Journal of Sensor and Actuator Networks. 2022;11(3):47. https://doi.org/10.3390/jsan11030047
  37. Chang Z, Liu S, Xiong X, Cai Z, Tu G. A survey of recent advances in edge-computing-powered artificial intelligence of things. IEEE Internet of Things Journal. 2021;8(18):13849–13875.

إعادة الطباعة والأذونات

الوسوم

تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.