دسترسی روزافزون به هوش مصنوعی (Artificial Intelligence یا AI) باعث شده است تا بسیاری از تصمیمگیرندگان شرکتهای خدمات برق به بررسی این موضوع بپردازند که چگونه این فناوری میتواند پایداری شبکه را افزایش دهد. چگونه میتوانند این فناوری را برای بهینهسازی نتایج به کار گیرند؟
فعالسازی تعمیرات خودکار
قطع برق شدید یا گسترده میتواند به نیروی کار فشار وارد کند و باعث شود مشتریان روزها یا هفتهها منتظر وصل مجدد برق بمانند. علاوه بر اینکه در بهترین حالت ناخوشایند است، قطع طولانیمدت برق میتواند برای مشتریانی که به تجهیزات پزشکی خاص وابسته هستند یا نمیتوانند محیطهای غیرقابل کنترل دما را تحمل کنند، تهدیدکننده زندگی باشد.
نمونهای اخیر از چگونگی تحت فشار قرار گرفتن تکنسینهای محلی در اثر قطع برق، در ژانویه ۲۰۲۵ رخ داد، زمانی که یکی از قویترین طوفانهای ثبتشده به ایرلند اصابت کرد. بادهای بیسابقه این رویداد آب و هوایی را همراهی میکرد و منجر به سقوط بسیاری از خطوط برق و درختان شد. پرسنلی از چندین کشور اروپایی دیگر برای کمک به تلاشهای تعمیر وارد شدند. آیا هوش مصنوعی نیز میتواند در آینده به کمک بیاید؟
محققان در ایالات متحده امیدوارند که این اتفاق بیفتد. آنها در نظر دارند از هوش مصنوعی برای ایجاد یک شبکه خود ترمیمشونده استفاده کنند تا مشکلات را بدون دخالت انسان شناسایی و رفع کند. همچنین به طور خودکار برق را برای جلوگیری از قطع برق مسیریابی مجدد میکند.
این تیم سناریوهای مختلفی را در یک محیط کنترلشده اجرا کرد تا راهحل هوش مصنوعی خود را در حال توسعه ارزیابی کند. بخش زیادی از کار آنها از یادگیری ماشین گراف (Graph Machine Learning) استفاده میکند، که توپولوژی یک شبکه الکتریکی، از جمله وابستگیهای متقابل مختلف یک شبکه و موقعیت اجزا را توصیف میکند.
اگر عیوب خطوط برق جریان الکتریسیته را مسدود کند، سیستم با سوئیچها خود را پیکربندی مجدد میکند و از سایر اجزای شبکه مجاور و بدون اختلال، برق دریافت میکند. هوش مصنوعی این کار را تنها در چند میلیثانیه انجام میدهد و آن را بسیار کارآمد میکند. اگرچه هدف اولیه این گروه استفاده از فناوری شبکه خود ترمیمشونده خود برای جلوگیری از قطع برق است، اما در ادامه بر روی رفع مناطق مشکلدار کار خواهند کرد. فرض کنید این رویکرد میتواند بدون نظارت انسانی به عیوب جزئی شبکه رسیدگی کند. در این صورت، تکنسینها میتوانند مشکلات جدیتر را حل کنند.
پیشبینی مشکلات زیرساختی
کاربردهای هوش مصنوعی در بخش انرژی دارای مزایا و معایب مختلفی است که باید در نظر گرفته شود. یکی از جنبههای منفی بسیار مورد بحث این است که هوش مصنوعی بسیار انرژیبر است، بنابراین استفاده سریع از آن به شبکههای برق قدیمی فشار وارد کرده است. این واقعیت که این فناوری در حالی محبوبتر شده است که مردم در حال حاضر از برق بیشتری برای شارژ خودروهای خود استفاده میکنند، کمکی نمیکند.
برعکس، هوش مصنوعی میتواند با ایجاد تغییرات پویا در توزیع برق و متعادل کردن بارهای بیش از حد ناشی از اوج تقاضا، بخشی از این بار را کاهش دهد. علاوه بر این، تصمیمگیرندگان در صنایعی مانند تولید از آن برای تجزیه و تحلیل اینکه کدام فرآیندها بیشترین انرژی را مصرف میکنند، استفاده میکنند. چنین بینشهایی میتواند به شرکتها کمک کند تا به تدریج قبوض برق خود را کاهش دهند.
محققان همچنین معتقدند که هوش مصنوعی میتواند به رهبران شرکتهای خدمات برق کمک کند تا دریابند کدام اجزای زیرساختی بیشتر در معرض آسیب ناشی از بلایای طبیعی هستند. یک گروه بر روی برجهای انتقال فولادی و چگونگی کاهش مقاومت آنها در اثر رویدادهای پیدرپی آب و هوایی سخت تمرکز کردهاند.
یادگیری ماشین به آنها نشان داد که ترکیب زلزله و طوفان به ویژه مخرب است، به خصوص اگر اولین فاجعه باعث آسیبهایی شود که مردم قبل از وقوع فاجعه بعدی فرصت تعمیر آن را نداشته باشند. با این حال، ترتیب نیز مهم است، به طوری که اگر ابتدا زلزله رخ دهد، احتمال فروپاشی زیرساختها بیشتر است.
این گروه مدلهای آسیبپذیری ایجاد کردند، که میتواند به تکنسینها اجزای یک شبکه بزرگ و پراکنده جغرافیایی را نشان دهد که برای جلوگیری از فاجعه، نیاز به فوریترین تعمیرات دارند. یکی از موارد مفیدی که آنها آموختند این است که رویدادهای چند خطره باعث الگوهای خرابی متفاوتی میشوند. علاوه بر این، بسیاری از مشکلات در عناصر پایه سازه رخ میدهد. این اطلاعات میتواند به پرسنل تعمیر نشان دهد که ابتدا به دنبال چه مشکلاتی باشند.
بهبود برنامههای نگهداری
انجام بررسیهای منظم بر روی داراییهای شبکه برق، مانند ترانسفورماتورها، میتواند زمان کارکرد را افزایش داده و در عین حال تعمیرات پرهزینه و غیرمنتظره را کاهش دهد. تکنسینها باید وظایف خاصی را در فواصل زمانی مختلف، از روزانه تا سالانه، انجام دهند. بسیاری از شرکتهای خدمات برق از نرمافزار مدیریت پروژه برای پیگیری زمان بازرسی یا نگهداری استفاده میکنند. این شروع خوبی است، اما برخی از محققان فرصتهای بیشتری برای استفاده از هوش مصنوعی میبینند.
یک گروه مدلهای پیشآگهی را توسعه دادهاند که دادههای نظارت بر وضعیت را دریافت میکنند و عمر مفید باقیمانده اجزای خاص شبکه را تخمین میزنند. سپس، تصمیمگیرندگان نه منتظر خرابی تجهیزات میمانند و نه قبل از لزوم، تعمیر و نگهداری را برنامهریزی میکنند. در عوض، آنها میتوانند فراخوانهای تکنسین را دقیقاً در زمان مناسب برنامهریزی کنند. این رویکرد فردی باعث صرفهجویی در زمان و هزینه میشود، عمدتاً به این دلیل که میتواند نشان دهد کدام اجزا نیاز به تعویض یا تعمیر دارند.
آزمایشهای دنیای واقعی این راه حل بر روی اینورترهای خورشیدی نشان داد که میتواند تماسهای غیرضروری خدمه را تا 66٪ کاهش دهد، در حالی که هزینههای کل نگهداری را تا 56٪ کاهش میدهد. دادههای محققان همچنین نشان داد که شرکتهای خدمات برق تقریباً از 70٪ از بزرگترین و گرانترین ترانسفورماتورها برای حداقل 25 سال استفاده کردهاند. یک رویکرد مبتنی بر هوش مصنوعی برای مدیریت دارایی میتواند به رهبران صنعت انرژی نشان دهد که ابتدا کدام تجهیزات را جایگزین کنند.
آمادهسازی شبکه برای آینده
بسیاری از مردم متوجه نمیشوند که چقدر به برق وابسته هستند تا زمانی که قطعی رخ دهد. با این حال، افزایش استفاده از برق و طوفانهای شدیدتر به احتمال زیاد مواردی را افزایش میدهد که آنها به طور موقت نمیتوانند از مزایای آن بهرهمند شوند. به لطف کاربردهای هوش مصنوعی مانند موارد ذکر شده در بالا، الگوریتمهای آموزش دیده و قابلیتهای پیشبینی میتوانند اطمینان حاصل کنند که شبکههای برق علیرغم چالشهای آینده تا حد امکان کاربردی هستند.