أداة أسرع لحل المشكلات وتضمن الجدوى | أخبار معهد ماساتشوستس للتكنولوجيا

إن إدارة شبكة الكهرباء تشبه محاولة حل لغز ضخم.

يجب على مشغلي الشبكات التأكد من تدفق الكمية المناسبة من الطاقة إلى المناطق الصحيحة في الوقت المحدد عندما تكون هناك حاجة إليها، ويجب عليهم القيام بذلك بطريقة تقلل من التكاليف دون زيادة التحميل على البنية التحتية المادية. والأكثر من ذلك، يجب عليهم حل هذه المشكلة المعقدة بشكل متكرر، وبأسرع ما يمكن، لتلبية الطلب المتغير باستمرار.

للمساعدة في حل هذه المعضلة المستمرة، طور باحثون من معهد ماساتشوستس للتكنولوجيا أداة لحل المشكلات تجد الحل الأمثل بشكل أسرع بكثير من الطرق التقليدية مع ضمان أن الحل لا ينتهك أيًا من قيود النظام. في شبكة الطاقة، يمكن أن تكون القيود أشياء مثل سعة المولد والخط.

تتضمن هذه الأداة الجديدة خطوة بحث عن الجدوى في نموذج قوي للتعلم الآلي تم تدريبه على حل المشكلة. تستخدم خطوة البحث عن الجدوى تنبؤ النموذج كنقطة بداية، مما يؤدي إلى تحسين الحل بشكل متكرر حتى يتم العثور على أفضل إجابة يمكن تحقيقها.

يستطيع نظام معهد ماساتشوستس للتكنولوجيا حل المشكلات المعقدة بشكل أسرع عدة مرات من الحلول التقليدية، مع توفير ضمانات قوية للنجاح. بالنسبة لبعض المشاكل المعقدة للغاية، يمكن أن تجد حلولاً أفضل من الأدوات المجربة والحقيقية. كما تفوقت هذه التقنية أيضًا على أساليب التعلم الآلي البحتة، والتي تتميز بالسرعة ولكنها لا تستطيع دائمًا إيجاد حلول مجدية.

بالإضافة إلى المساعدة في جدولة إنتاج الطاقة في الشبكة الكهربائية، يمكن تطبيق هذه الأداة الجديدة على العديد من أنواع المشاكل المعقدة، مثل تصميم منتجات جديدة، أو إدارة المحافظ الاستثمارية، أو تخطيط الإنتاج لتلبية طلب المستهلكين.

“إن حل هذه المشكلات الشائكة بشكل جيد يتطلب منا الجمع بين أدوات من التعلم الآلي، والتحسين، والهندسة الكهربائية لتطوير الأساليب التي تحقق المفاضلات الصحيحة من حيث توفير القيمة للمجال، مع تلبية متطلباته أيضًا. تقول بريا دونتي، أستاذة التطوير الوظيفي لعائلة سيلفرمان في قسم الهندسة الكهربائية وعلوم الكمبيوتر (EECS) والباحث الرئيسي في مختبر نظم المعلومات والقرارات: “عليك أن تنظر إلى احتياجات أساليب التطبيق والتصميم بطريقة تلبي تلك الاحتياجات بالفعل”. (الأغطية).

وانضم إلى دونتي، وهو مؤلف رئيسي لورقة بحثية مفتوحة الوصول حول هذه الأداة الجديدة، والتي تسمى FSNet، المؤلف الرئيسي هوانج نغوين، وهو طالب دراسات عليا في الجماعة الاقتصادية الأوروبية. سيتم تقديم الورقة في مؤتمر أنظمة معالجة المعلومات العصبية.

الجمع بين النهج

يعد ضمان التدفق الأمثل للطاقة في الشبكة الكهربائية مشكلة صعبة للغاية وأصبح من الصعب على المشغلين حلها بسرعة.

“بينما نحاول دمج المزيد من مصادر الطاقة المتجددة في الشبكة، يجب على المشغلين التعامل مع حقيقة أن كمية توليد الطاقة سوف تختلف من لحظة إلى أخرى. وفي الوقت نفسه، هناك العديد من الأجهزة الموزعة التي يجب تنسيقها”، يوضح دونتي.

يعتمد مشغلو الشبكة غالبًا على أدوات الحل التقليدية، والتي توفر ضمانات رياضية بأن الحل الأمثل لا ينتهك أي قيود تتعلق بالمشكلة. لكن هذه الأدوات قد تستغرق ساعات أو حتى أيامًا للوصول إلى هذا الحل إذا كانت المشكلة معقدة بشكل خاص.

ومن ناحية أخرى، يمكن لنماذج التعلم العميق أن تحل حتى المشكلات الصعبة للغاية في جزء صغير من الوقت، ولكن الحل قد يتجاهل بعض القيود المهمة. بالنسبة لمشغل شبكة الطاقة، قد يؤدي ذلك إلى مشكلات مثل مستويات الجهد غير الآمنة أو حتى انقطاع الشبكة.

يوضح نجوين: “تكافح نماذج التعلم الآلي لتلبية جميع القيود بسبب الأخطاء العديدة التي تحدث أثناء عملية التدريب”.

بالنسبة إلى FSNet، جمع الباحثون أفضل ما في كلا النهجين في إطار عمل من خطوتين لحل المشكلات.

التركيز على الجدوى

في الخطوة الأولى، تتنبأ الشبكة العصبية بحل لمشكلة التحسين. الشبكات العصبية مستوحاة بشكل فضفاض من الخلايا العصبية في الدماغ البشري، وهي عبارة عن نماذج تعلم عميقة تتفوق في التعرف على الأنماط في البيانات.

بعد ذلك، يقوم الحل التقليدي الذي تم دمجه في FSNet بتنفيذ خطوة البحث عن الجدوى. تعمل خوارزمية التحسين هذه على تحسين التنبؤ الأولي بشكل متكرر مع ضمان أن الحل لا ينتهك أي قيود.

ونظرًا لأن خطوة البحث عن الجدوى تعتمد على نموذج رياضي للمشكلة، فإنها يمكن أن تضمن إمكانية نشر الحل.

يقول هوانج: “هذه الخطوة مهمة جدًا. في FSNet، يمكننا الحصول على الضمانات الصارمة التي نحتاجها عمليًا”.

صمم الباحثون FSNet لمعالجة كلا النوعين الرئيسيين من القيود (المساواة وعدم المساواة) في نفس الوقت. وهذا يجعل استخدامها أسهل من الأساليب الأخرى التي قد تتطلب تخصيص الشبكة العصبية أو حل كل نوع من القيود على حدة.

يقول دونتي: “هنا، يمكنك فقط التوصيل والتشغيل باستخدام حلول التحسين المختلفة”.

وتضيف أنه من خلال التفكير بشكل مختلف حول كيفية حل الشبكة العصبية لمشاكل التحسين المعقدة، تمكن الباحثون من إطلاق العنان لتقنية جديدة تعمل بشكل أفضل.

وقاموا بمقارنة FSNet مع حلول الحلول التقليدية وأساليب التعلم الآلي البحتة بشأن مجموعة من المشكلات الصعبة، بما في ذلك تحسين شبكة الطاقة. لقد خفض نظامهم أوقات الحل بأضعاف مضاعفة مقارنة بالمناهج الأساسية، مع احترام جميع قيود المشكلة.

وجدت FSNet أيضًا حلولاً أفضل لبعض المشكلات الأكثر صعوبة.

يوضح دونتي: “على الرغم من أن هذا كان مفاجئًا بالنسبة لنا، إلا أنه منطقي. يمكن لشبكتنا العصبية أن تكتشف بنفسها بعض الهياكل الإضافية في البيانات التي لم يكن حل التحسين الأصلي مصممًا لاستغلالها”.

في المستقبل، يريد الباحثون جعل FSNet أقل استهلاكًا للذاكرة، ودمج خوارزميات تحسين أكثر كفاءة، وتوسيع نطاقها لمعالجة مشكلات أكثر واقعية.

يقول كيري بيكر، الأستاذ المشارك في جامعة كولورادو بولدر، والذي لم يشارك في هذا العمل: “إن إيجاد حلول ممكنة لتحديات التحسين أمر بالغ الأهمية لإيجاد حلول قريبة من المثالية. خاصة بالنسبة للأنظمة الفيزيائية مثل شبكات الطاقة، فإن القرب من الأمثل لا يعني شيئًا دون جدوى. ويوفر هذا العمل خطوة مهمة نحو ضمان قدرة نماذج التعلم العميق على إنتاج تنبؤات تلبي القيود، مع ضمانات صريحة بشأن تطبيق القيود”.