الشبكات الصغيرة لخدمة البشر والكوكب

إذا ما أردنا الوصول إلى السناريو “الأخضر” المثالي، سيتوجب على الأفراد أن يحدوا من كمية الطاقة التي يستهلكونها لتشغيل منازلهم وشركاتهم، وأن ينتجوا الطاقة التي يحتاجونها من خلال الألواح الشمسية وعنفات الرياح والطاقة المائية وما يوازيها. وفي هذه الحال، ستكون الطاقة المستخدمة خالية تقريباً من انبعاثات غازات الدفيئة، فيما يساهم استخدام تقنيات الطاقة المتجددة على المدى الطويل في التعويض عن التكلفة المالية والبيئية اللازمة لإنتاجها وتركيبها. أما الطاقة غير المستخدمة، فيتم بيعها للشبكة الأوسع حيث يستطيع الأفراد شراؤها ضمن نظام يُعرف عموماً باسم الشبكة الرئيسية.

وتتألف جميع الشبكات الرئيسية، على المستويين الكلي والجزئي، من مجموعة متنوعة من منتجي الطاقة ومستهلكيها الذين يتميز كل منهم بتوجهاته واحتياجاته وحدوده الخاصة. ولكن للأسف، تؤدي هذه الأسباب إلى أن يخلّ إدخال الطاقة المتجددة إلى شبكات الكهرباء الرئيسية المحلية والوطنية بالتوازن الذي يجب تحقيقه بين توفر الطاقة وتكلفتها واستدامتها.

هذا لأن المنازل الصغيرة تستهلك كمية أقل من الطاقة مقارنة مع المطاعم أو ورشات صيانة السيارات أو معامل الفولاذ، وذلك في أوقات وطرق مختلفة. غير أن مستهلكي الطاقة كافة ينتجون بيانات تُعتبر أساسية لتشغيل الشبكات الرئيسية. ولدى هؤلاء المستهلكين أيضًا حاجة ملحة لحماية أصولهم وممتلكاتهم، ما يجعل مشاركة المعلومات أمراً معقداً للغاية. ويمكننا أن نتخيل بسهولة على سبيل المثال كيف يمكن للقراصنة واللصوص أن يستخدموا المعلومات التي يكتسبونها حول استخدام الطاقة من أجل تحديد الوقت المثالي لتنفيذ عملية سرقة أو عملية إجرامية.

يسعى فريق من الباحثين في جامعة محمد بن زايد للذكاء الاصطناعي إلى ضمان قدرة الشبكات الرئيسية على جمع بيانات المستخدمين بأمان لدعم جهود تحقيق صافي الانبعاثات الصفري حول العالم. ولقد لجؤوا إلى تقنية في مجال تعلم الآلة عادةً ما تُستخدم في قطاع الرعاية الصحية، وهي التعلم المتحد. ويستفيد الباحثون بواسطة هذه التقنية من تعقيدات إنتاج الطاقة واستخدامها في الشبكات الصغيرة لوضع نماذج لطرق جديدة تساهم في تحديد التوازن المثالي بين احتياجات الأفراد واحتياجات الشبكة، مع الحفاظ في الوقت نفسه على الاستدامة.

ويقود فريق الباحثين المعني بهذه الجهود في جامعة محمد بن زايد للذكاء الاصطناعي الأستاذ المشارك في قسم تعلم الآلة مارتن تاكاش، والمؤلفان المشاركان الطالبان نيكولاس كوادرادو وروبرتو غوتيريز والمؤلف المشارك يونغلي زو من معهد بحوث ترابط الطاقة العالمية في أمريكا الشمالية. وقد تم نشر وتقديم ورقتهم البحثية في ورشة العمل حول “مواجهة تغير المناخ من خلال تعلم الآلة” في المؤتمر الدولي حول تمثيلات التعلم لعام 2023، وحملت عنوان “MAHTM: إطار عمل متعدد الجهات للشبكات الصغيرة الهيكلية عابرة الأنشطة“. وتقترح الورقة استخدام إطار عمل متعدد الجهات يهدف إلى خفض البصمة الكربونية لشبكات الكهرباء التي تتألف من مستهلكين ومنتجين متنوعين للطاقة.

الطالبان نيكولاس كوادرادو وروبرتو غوتيريز من جامعة محمد بن زايد للذكاء الاصطناعي يشاركان في تأليف ورقة بحثية مقدّمة في المؤتمر الدولي حول تمثيلات التعلم لعام 2023.

ويقول تاكاش في هذا الصدد: “يمكننا من خلال استخدام تعلم الآلة أن نحد من الطبيعة العشوائية لإنتاج الطاقة المتجددة وبالتالي أن نتوصل إلى نظام للطاقة يكون أكثر فاعلية وموثوقية.”

ويحدد الفريق ثلاثة مستويات لجهات اتخاذ القرار، يكون لكل جهة منها أهدافاً مختلفة. ويسعى كل مستوى إلى خفض التكاليف والحد من أثر انبعاثات الكربون وتحقيق التوازن بين الإنتاج والاستهلاك. وينتج عن ذلك نظام يحلل كمية البيانات الكبيرة والمعقدة المستخلصة من نظام الشبكات للحصول على مجموعة من النتائج المحسنة والتي يمكن استخدامها في الوقت الحقيقي.

ويهدف كوادرادو وغوتيريز إلى تأسيس شركة ناشئة استناداً إلى البحث الذي أنجزاه أثناء متابعة دراستهما في جامعة محمد بن زايد للذكاء الاصطناعي. وتجدر الإشارة إلى أن كوادرادو سبق أن حاول في عام 2018 بالتعاون مع بعض شركاء الأعمال تأسيس شركة مماثلة، وهو يرى أن الدروس التي اكتسبها من هذه التجربة ساعدته بشكلٍ كبير في عمله مع تاكاش وغوتيريز وزو في ما يخص الطاقة المتجددة والخصوصية.

ويقول: “نحن نحاول أن نساهم في حل ما يُعرف باسم الإشكالية الثلاثية للطاقة. ثمة حاجة ملحة لتحقيق الأمن والاستدامة والتكلفة الميسورة في قطاع الطاقة، وقد يشكل ذلك حجر عثرة لتبني حلول الطاقة المتجددة التي علينا اعتمادها لتحقيق صافي الانبعاثات الصفري.”

بالإضافة إلى ذلك، تعاون تاكاش وزملاؤه مع الأستاذ المساعد في قسم تعلم الآلة في جامعة محمد بن زايد للذكاء الاصطناعي سامويل هورفاث والطالب الذي يعمل معه يونزيانغ لي، بهدف دمج بعض خصائص التعلم المتحد في بحثهم على نطاق أوسع. يعمل هورفاث وزملاؤه على ضمان قدرة أنظمة الذكاء الاصطناعي، ولا سيما تلك المستخدمة في قطاع الصحة، على العمل بشكلٍ متين وآمن لجمع البيانات الحساسة وتخزينها واستخدامها من خلال التعلم المتحد.