شبکه برق ایالات متحده که یکی از بزرگ‌ترین و پیچیده‌ترین سیستم‌های ساخته‌شده به‌دست بشر است، طبق گزارش وزارت انرژی آمریکا به‌دلیل رشد سریع صنعتی، تغییرات شدید جوی و افزایش بی‌سابقه مصرف برق، در آستانه فرسایش و فشار حداکثری قرار دارد.
این شبکه که دهه‌ها پیش برای دنیایی پیش‌بینی‌پذیرتر با نیروگاه‌های متمرکز زغال‌سنگ یا گاز طراحی شده بود، اکنون با فشار غیرمنتظره‌ای مواجه است که بخشی از آن به جهش تقاضای انرژی از سوی دیتاسنترها مربوط می‌شود. در نتیجه، وظایف متخصصان مدیریت این زیرساخت‌ها از وظایف مهندسی سنتی به چالش‌های پیچیده و سریع تغییر یافته است.
گزارش‌های صنعتی نشان می‌دهند میلیون‌ها حسگر دیجیتال، کنتور هوشمند و پایشگر شبکه به‌طور مداوم در حال تولید داده هستند. حجم انبوه این داده‌ها نیازمند تحلیل کامپوتری آنی و خودکار است، زیرا اپراتورهای انسانی توانایی پردازش سریع آن را ندارند.
فشار بر شرکت‌های خدمات برق از دو منبع ناشی می‌شود: جهش در تقاضای برق و تغییر در نحوه تولید آن. برای نمونه، با توسعه ابزارهای هوش مصنوعی (AI) و رایانش پرقدرت، دیتاسنترها به حجم عظیمی از انرژی نیاز دارند. طبق گزارش CNBC، بزرگ‌ترین شرکت انتقال نیرو در ایالت Texas اخیراً درخواست‌های اتصال جدیدی مجموعاً به میزان ۲۲۰ گیگاوات دریافت کرده که بخش عمده آن ناشی از توسعه مراکز رایانش ابری و AI است.
هم‌زمان با رشد تقاضای منطقه‌ای، شبکه‌های جهانی انرژی در حال جذب منابع تجدیدپذیر متغیر مانند انرژی بادی و خورشیدی هستند. این تغییر باعث ایجاد محیط عملیاتی ناپایداری شده که در آن عرضه و تقاضا باید ثانیه‌به‌ثانیه متعادل شوند تا از خاموشی جلوگیری شود.
آسیب‌پذیری‌های فیزیکی و دیجیتالی، این چالش‌ها را پیچیده‌تر کرده‌اند. حوادث شدید جوی باعث قطعی‌های پرهزینه می‌شوند؛ مانند یخبندان شدید در Texas که شبکه برق را فلج کرد یا موج‌های گرمای کم‌سابقه که باعث فشار بیش از حد بر ترانسفورماتورها شدند. در بخش دیجیتال نیز با جایگزینی تجهیزات آنالوگ قدیمی با کنتورهای هوشمند، شبکه در برابر حملات سایبری آسیب‌پذیرتر شده است.
سازمان‌های سنجش پایداری شبکه مانند GridEx تأکید می‌کنند که شبکه برق باید هوشمندتر، چابک‌تر و کاملاً خودکار شود. محققان انرژی بر این باورند که کلید این تحول، ادغام AI در تمام لایه‌های عملیاتی است.
ضرورت به‌کارگیری AI به باور متخصصان صنعت انرژی دیگر یک پروژه تحقیقاتی آینده‌نگرانه نیست، بلکه به یک ضرورت عملیاتی پایه تبدیل شده است. روش‌های سنتی برنامه‌ریزی شبکه برای مدیریت پویایی‌های سریع یا ایجاد تعادل در شبکه‌های کوچک و غیرمتمرکز (microgrids) بسیار کند هستند.
هوش مصنوعی این شکاف را با پردازش فوری حجم عظیمی از داده‌ها پر می‌کند. الگوریتم‌های یادگیری ماشین (machine learning) می‌توانند اطلاعات هزاران حسگر، الگوی مصرف گذشته و پیش‌بینی‌های هواشناسی را تحلیل کنند تا مشکلات را پیش از وقوع پیش‌بینی کنند.
مطالعه‌ای توسط McKinsey & Company نشان می‌دهد که ادغام داده‌های پیشرفته و اتوماسیون در شبکه‌های زیرساختی می‌تواند خطاهای طراحی سیستم را کاهش داده، توقف عملکرد تجهیزات را از طریق نگهداری پیش‌بینانه تا ۵۰ درصد کم کند و عمر مفید ماشین‌آلات برقی را تا ۴۰ درصد افزایش دهد.
به گفته کارشناسان، AI به‌عنوان ستون فقرات دیجیتال یک شبکه خودترمیم‌شونده عمل می‌کند. اما استقرار این سیستم‌ها نیازمند نیروی کار جدیدی است: مهندسان برقی که علوم داده را درک کنند و دانشمندان داده‌ای که با مفاهیم برق آشنا باشند.
برای ترمیم این فاصله، بخش فعالیت‌های آموزشی IEEE با همکاری جامعه برق و انرژی IEEE، دوره آموزشی آنلاین «هوش مصنوعی برای سیستم‌های برق و انرژی» را راه‌اندازی کرده است. این دوره به‌جای نگاه به AI به‌عنوان یک جعبه سیاه تأییدنشده، بر ایمنی، حفظ سرمایه‌ها و استانداردهای سخت‌گیرانه پایداری تمرکز دارد.
این برنامه توسط Fangxing “Fran” Li، استاد مهندسی برق و علوم کامپیوتر در University of Tennessee در Knoxville و رئیس گروه کاری IEEE در زمینه یادگیری ماشین برای سیستم‌های قدرت طراحی شده است.
این دوره سرفصل‌های فنی را در ۵ ماژول ارائه می‌دهد:
- اصول پایه AI (AI fundamentals): آموزش به‌کارگیری مدل‌های پایه یادگیری ماشین و شبکه‌های عصبی در محاسبات پیچیده جریان توان و انتقال ایمن مدل‌ها به تجهیزات ولتاژ بالا.
- شتاب‌بخشی به کنترل شبکه (Accelerating grid control): استفاده از یادگیری تقویتی عمیق (deep reinforcement learning) برای تنظیمات خودکار و سریع شبکه در شرایط اضطراری.
- پیش‌بینی و تحلیل داده‌ها (Forecasting and data analytics): مدل‌سازی پیش‌بینانه برای تخمین جهش تقاضا، نوسانات تولید انرژی بادی و خورشیدی و تغییرات قیمت بازار برق.
- AI مبتنی بر فیزیک و ایمن (Physics-informed and safe AI): توسعه مدل‌های هوش مصنوعی پایبند به قوانین فیزیک برای جلوگیری از تصمیمات غیرقابل‌پیش‌بینی الگوریتم‌ها که به تجهیزات آسیب می‌زند.
- AI مولد و فناوری‌های نسل جدید (Generative AI and next-generation tech): بررسی فناوری‌های پیشرفته مانند شبکه‌های عصبی گراف (graph neural networks)، مدل‌های زبانی بزرگ (large language models) و AI مولد (generative AI) برای تسهیل برنامه‌ریزی و پاسخ به بحران.
چرا این خبر مهم است؟
رشد سریع دیتاسنترهای هوش مصنوعی و ورود انرژی‌های تجدیدپذیر، شبکه‌های برق جهان را با چالش‌های بی‌سابقه‌ای در تعادل عرضه و تقاضا مواجه کرده است. استفاده از هوش مصنوعی مبتنی بر قوانین فیزیک و نگهداری پیش‌بینانه می‌تواند خرابی تجهیزات را تا ۵۰ درصد کاهش داده و پایداری زیرساخت‌های کلیدی انرژی را تضمین کند. این دوره آموزشی IEEE گامی مهم در جهت تربیت مهندسان دو-منظوره مسلط به برق و علوم داده است.
وضعیت کاربران ایرانی
متخصصان، دانشجویان و پژوهشگران ایرانی رشته‌های مهندسی برق و علوم داده می‌توانند از طریق پلتفرم IEEE Learning Network به محتوای علمی این دوره دسترسی داشته باشند، هرچند ثبت‌نام رسمی یا دریافت گواهی ممکن است به‌دلیل تحریم‌های مالی و محدودیت‌های پرداخت بین‌المللی برای کاربران داخل ایران با چالش همراه باشد.