دايفي 

لقد أحدثت تطبيقات التعلم الآلي طفرات في كافة الصناعات ومن بينها قطاع الطاقة. فمن تقنية الشبكة الذكية إلى التنبؤ بفشل المعدات إلى التنبؤ بتوليد طاقة الرياح والطاقة الشمسية، تنتشر تطبيقات التعلم الآلي في قطاع الطاقة. فعلى الصعيد العالمي، ينتج قطاع الطاقة كميات هائلة من البيانات. إذ تتعمق الشركات في البيانات باستخدام الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لاتخاذ قرارات أكثر ذكاءً، وتحقيق فوائد اقتصادية، وتوليد تنبؤات تمنع أزمات الطاقة وأوقات التوقف الباهظة. وفي الواقع، من المرجح أن يتوسع سوق الذكاء الاصطناعي في قطاع الطاقة بنسبة 29.88% بين عامي 2022 و2029، ليصل إلى نحو 42.67 مليار دولار أميركي. وهنا نسعى لاستكشاف استخدام التعلم الآلي في قطاع الطاقة مع بعض المشاريع المبتكرة والعملية حول التعلم الآلي في صناعة الطاقة.

دور التعلم الآلي في قطاع الطاقة

يعدُّ التعلم الآلي وتحليلات البيانات ذات قيمة بالنسبة لإدارة قطاع الطاقة وتعزيزه. إذ يمكن لشبكات الطاقة ومصادر الطاقة المتجددة والشبكات اللامركزية الاستفادة من التكامل التدريجي للذكاء الاصطناعي والتعلم الآلي لتحسين استخدام الطاقة. لذا، فإن مستقبل صناعة الطاقة سوف يتأثر بشكل كبير بالتعلم الآلي بسبب النقص الواسع في الموظفين المهرة، والاعتماد المتزايد على التقنيات الذكية، وكذلك الطلب على مصادر طاقة أكثر اقتصادًا واستدامة. وتتضمن بعض التطبيقات المفيدة للتعلم الآلي في قطاع الطاقة ما يلي:

• الصيانة التنبؤية: يحلل التعلم الآلي البيانات التاريخية والحقيقية من مصادر مختلفة لتحديد الأنظمة والأنظمة الفرعية التي من المرجح أن تفشل وقت حدوثها. فباستخدام التعلم الآلي، يمكن مراقبة المعدات في الوقت الفعلي، ويمكن توقع أي أعطال محتملة مسبقًا. إن ذلك يحسن الكفاءة الكلية للمعدات مع توفير التكاليف العالية.
• إدارة شبكات الطاقة: إذ يعد الحفاظ على توازن توليد الطاقة والطلب عليها في جميع الأوقات أحد الاهتمامات الرئيسية في إدارة أنظمة الطاقة. ويمكن أن يحسن التعلم الآلي المتانة والتوازن، ولا سيما لشبكات الطاقة المتجددة.
• توقع الطلب على الطاقة: يعد التنبؤ بالطلب على الطاقة استخدامًا محتملاً آخر لخوارزميات التعلم الآلي في صناعة الطاقة. ويتم تحقيق ذلك من خلال مراقبة كيفية اختلاف استهلاك الطاقة اليومي لكل عميل بمرور الوقت. ويمكن الاستفادة من التعلم الآلي في قطاع الطاقة في تحسين إنتاج الطاقة من أجل استخدام أكثر كفاءة للموارد وخفض التكاليف.

مشاريع وقضايا استخدام التعلم الآلي في قطاع الطاقة

فيما يلي بعض أفكار مشاريع التعلم الآلي المتجددة لمساعدتك على فهم أفضل لتطبيقات التعلم الآلي في قطاع الطاقة:

مشروع التنبؤ بالطاقة الشمسية 

يهدف هذا المشروع القائم على التعلم الآلي إلى تحسين دقة التنبؤ لإنتاج طاقة الرياح لتحسين تشغيل مزارع الرياح باستخدام LSTM. ففي إطار تقنيات تحويل طاقة الرياح، مثل الإدارة الديناميكية لتوربينات الرياح وجدولة نظام الطاقة، تعد التنبؤات الموثوقة لسرعة الرياح على المدى القصير عملية وحاسمة جدًا. ذلك أن سرعة الرياح، التي لها نمط يمكن التنبؤ به على مدى فترة زمنية محددة، تمثل عاملاً رئيسًا في الطاقة التي تولدها الرياح. وفي هذا الإطار سوف تتحقق استفادة من نمط السلاسل الزمنية لجمع البيانات ذات الصلة لتوقع الطاقة. ويتمثل الهدف الأساسي لهذا المشروع في زيادة دقة التنبؤات للطاقة التي تنتجها الرياح، كما يتحقق ذلك باستخدام الذاكرة طويلة الأجر كنموذج للتعلم الآلي وزيادة تحسينه.

مشروع تحليل الاحتباس الحراري العالمي والتنبؤ به

يمكِّن تحليل الاحتباس الحراري الناس من خلال فهم عواقبه ومعالجتها، ويحفزهم على تغيير سلوكهم، ويدعم قدرتهم على الاستجابة لما هو بالفعل مشكلة عالمية. كما أنه يسهم في بناء نموذج التعلم الآلي للتنبؤ بالتغيرات المستقبلية في هطول الأمطار ودرجة الحرارة ومقاييس الأرصاد الجوية الأخرى لتقديم رؤى يمكن أن تسترشد بها عملية صنع السياسات واتخاذ القرارات فيما يتعلق بتغير المناخ.

في هذا المشروع، سوف تستكشف التغير في درجة حرارة سطح الأرض باستخدام نماذج السلاسل الزمنية المختلفة مثل: “ARIMA”، و”SARIMAX”، و”Grid Search “، والتكامل المشترك، وتحليل السببية. ستقوم بإنشاء النماذج للتنبؤ بدرجات الحرارة المستقبلية وفحص تأثيرات العوامل الأخرى على ظاهرة الاحتباس الحراري، مثل ثاني أكسيد الكربون والسكان.

مشروع التنبؤ بالطاقة الشمسية Solar-Energy-Prediction

في هذا المشروع، سوف تستخدم البيانات من متغيرات الطقس المختلفة للتنبؤ بإنتاج الطاقة لكل ساعة لمحطة الطاقة الكهروضوئية. لذلك يبدأ هذا المشروع من خلال معالجة ملفات بيانات الأرصاد الجوية الخام من الإدارة الوطنية لعلوم المحيطات والغلاف الجوي وملفات بيانات إنتاج الطاقة من مزرعة الطاقة الشمسية في إطار ما يعرف بـ”إربان تشامبين” Urbana-Champaign. إذ تستخدم نماذج مثل تعزيز أشجار الانحدار، والانحدار الخطي المرجح (مع تقليل الأبعاد وبدونه)، والشبكات العصبية الاصطناعية (مع التدرج الزمني المتلاشي وبدونه).

مشروع تصنيف توربينات الرياح Wind Turbine Classification

وهو أحد المشروعات المفيدة لتسليط الضوء على استخدام التعلم الآلي في الطاقة المتجددة. إذ يعدُّ جعل مزرعة الرياح ذات الكفاءة الاقتصادية قدر الإمكان أمرًا بالغ الأهمية لجعل الرياح مصدر طاقة ميسور التكلفة. ويهدف هذا المشروع إلى استخدام خوارزميات التصنيف على إشارات “إس سي إي دي إي” SCADA لمزرعة الرياح من أجل التنبؤ في وقت واحد ومسبقًا بالعديد من عيوب توربينات الرياح. وستستخدم ثلاث خوارزميات أنماط التصنيف السلاسل المنتظمة والعشوائية واختبارها باستخدام بيانات تدريب غير متوازنة ومتوازنة.

التنبؤ باستقرار الشبكة الذكية

يهدف هذا المشروع، الذي يقوم بالأساس على التعلم الآلي، إلى استخدام خوارزميات التعلم الآلي للتنبؤ ومنع عدم استقرار شبكة الطاقة من أجل شبكة طاقة فعالة وموثوقة مع عدد أقل من الانقطاعات. ففي الشبكة الذكية، يتم جمع بيانات طلب العملاء، وإجراء تحليل مركزي للعرض والطلب. كما يتم تسليم بيانات الأسعار المقترحة للمستخدمين لاتخاذ قرار بشأن الاستخدام. ويهدف مشروع التعلم العميق هذا إلى تطبيق نموذج “كيراس المتسلسل” لتحقيق أدق التنبؤات الممكنة. وفي إطار هذا المشروع الذي يقوم على التعلم الآلي، سوف تستخدم مجموعة بيانات تتضمن نتائج من محاكاة استقرار الشبكة لنموذج شبكة نجمية رباعية العقد. إذ يستخدم شبكة عصبية اصطناعية متسلسلة (ANN) مع طبقة إخراج أحادية العقدة، وثلاث طبقات مخفية مع 24، و24، و12 عقدة، وطبقة إدخال واحدة مع 12 عقدة إدخال. إضافة إلى ذلك، سوف تقوم بتقييم تأثير بنية التعلم العميق وكشف أهمية زيادة مجموعة البيانات.

بجانب ذلك، فإن ثمة المزيد من الأفكار بشأن المشاريع المبتكرة على منصات مختلفة مثل “جيت هاب” GitHub و”كيجل” Kaggle، إذ يمكن من خلالها الحصول على الأفكار والمشاريع بالبحث عن كلمات رئيسية مثل “مشاريع التعلم الآلي للطاقة المتجدد” على منصة “جيت هاب”، أو كلمات مثل مشاريع التعلم الآلي في صناعة الطاقة على منصة “كيجل” وذلك من أجل العثور على بعض أفكار المشاريع المثيرة للاهتمام.

إعداد: وحدة الترجمات بمركز سمت للدراسات

المصدر: Project Pro