تحسين استقرار شبكة الطاقة باستخدام التحكم التنبؤي والتكيفي والمتين والعميق بالنماذج: مراجعة منهجية ومقارنة للأداء
DOI:
https://doi.org/10.6520/jrs.v26i2.621الكلمات المفتاحية:
Power grid stability; Model predictive control; Adaptive control; Robust control; Deep learning control; Renewable energy integration.الملخص بالعربية
يشكل التكامل الواسع النطاق لمصادر الطاقة المتجددة (RES) والأحمال المتقلبة تحديات كبيرة لاستقرار وكفاءة شبكات الكهرباء الحديثة. تقدم هذه الورقة مراجعة منهجية للأدبيات (85 دراسة محكّمة، الفترة 2015–2025) ومقارنة كمية لأربع استراتيجيات تحكم متقدمة: التحكم التنبؤي النموذجي (MPC)، التحكم التكيفي، التحكم المتين (Robust)، والتحكم القائم على التعلم العميق (DL). باستخدام تقييم قائم على المحاكاة لنظام اختبار IEEE ذي 9 عقدات وشبكة صغيرة منخفضة القصور الذاتي، بالإضافة إلى لجنة من الخبراء (عددهم = 12)، قمنا بتقييم كل استراتيجية وفق ثلاثة مقاييس: الاستقرار، الكفاءة، وقابلية التوسع (بدرجات من 0 إلى 100). تظهر النتائج أن التعلم العميق يحقق أعلى استقرار (88) وأعلى كفاءة (91)، لكنه يتطلب مجموعات بيانات كبيرة وعالية الجودة ويفتقر إلى الضمانات الرسمية للاستقرار. يقدم التحكم التنبؤي النموذجي أفضل توازن شامل (استقرار 85، كفاءة 90، قابلية توسع 88) مع الحد الأدنى من متطلبات البيانات ومعالجة صريحة للقيود. يؤدي التحكم التكيفي أداءً جيدًا (استقرار 80، كفاءة 85) لكنه يعاني من ضعف قابلية التوسع. يضمن التحكم المتين استقرار أسوأ الحالات (استقرار 78، قابلية توسع 83) على حساب التحفظ التشغيلي. نستنتج أنه لا توجد استراتيجية واحدة تتفوق في جميع المقاييس. بالنسبة لاختراق عالٍ جدًا للطاقة المتجددة (أكثر من 70%)، فإن الأطر الهجينة التي تجمع بين التعلم العميق والتحكم التنبؤي النموذجي أو التحكم المتين (DL-MPC، DL-robust) تمثل المسار الواعد للمستقبل.
التنزيلات
