تحول تازهای در مدیریت انرژی شهری آغاز شده است؛ سامانههای موسوم به هوشمند لبهای AE-GEMS مصرف برق را تا ۲۷ درصد کاهش میدهند. این فناوری در آلمان، چین و اروپا آزمایش شده است و با حفظ حریم خصوصی، به شهرداریها برای پایداری شبکه و مدیریت تقاضا کمک میکند.
به گزارش پایگاه خبری بهره ورنیوز به نقل از ایمنا، برای چندین دهه، شبکههای برق شهری بر پایه الگوی یکطرفه طراحی شده بودند که در آن نیروگاههای متمرکز بزرگ انرژی تولید و شهروندان تنها در نقش مصرفکننده، بدون هیچ نقش فعالی، از برق استفاده میکردند.
امروزه این الگو با سرعت در حال تغییر است. گسترش پنلهای خورشیدی روی بام خانهها، ذخیرهسازهای خانگی و خودروهای برقی، شهرها را به مجموعهای از «تولیدکننده–مصرفکننده» تبدیل کرده است و شبکههای قدیمی دیگر توانایی مدیریت این پیچیدگی و دوسویی را ندارند.
در چنین شرایطی، هوش مصنوعی در حال حرکت از مراکز داده ابری به سمت «لبه» شبکه است؛ یعنی همان کنتورهای هوشمند، شارژرهای خودروهای برقی، اینورترهای خورشیدی و لوازم خانگی. این رویکرد نوین، «سیستمهای مدیریت انرژی سبز و هوشمند و انطباقپذیر بر پایه هوشمندی لبهای AE-GEMS» را ممکن کرده است که پژوهشهای معتبر بینالمللی آن را تأیید میکنند.
هوش مصنوعی لبهای یا Edge AI به زبان ساده یعنی اجرای پردازشهای هوش مصنوعی در محل و روی خود دستگاه (همچون موبایل، دوربینهای مداربسته، پهپادها یا سنسورهای صنعتی) به جای ارسال دادهها به فضای ابری (Cloud) و سرورهای دوردست.
به بیان دیگر هوش مصنوعی ابری (Cloud AI) داده را از دستگاه میگیرد، به یک سرور قدرتمند در جای دیگری میفرستد، پردازش میکند و نتیجه را برمیگرداند، اما هوش مصنوعی لبهای (Edge AI) خودش مغز متفکر است. پردازش را داخل همان تراشه سختافزاری خود انجام میدهد.
فناوری پشت پرده: سیستم AE-GEMS و یادگیری تقویتی چندعامله
در سال ۲۰۲۶، ژورنال معتبر نشریه بینالمللی هوش محاسباتی ( International Journal of Computational Intelligence Systems)، معماری جدیدی را با عنوان «سیستم مدیریت انرژی سبز هوشمند و انطباقپذیر بر پایه هوشمندی لبهای» معرفی کرد که سه چالش اساسی مدیریت انرژی شهری شامل بهینهسازی مصرف خانوار، زمانبندی خودروهای برقی با قابلیت اتصال به شبکه (V2G) و حفظ حریم خصوصی کاربران را بهطور همزمان حل میکند.
برای دستیابی به این اهداف، سه فناوری کلیدی بهکار گرفته شده است. نخست، یادگیری تقویتی چندعامله به دستگاههای لبهای اجازه میدهد در زمان واقعی با یکدیگر هماهنگ شوند و بدون نیاز به فرماندهی مرکزی، رفتار بهینه را با آزمون و خطا بیاموزند.
دوم، یادگیری فدرال دادههای حساس مصرف برق هر خانوار را در همان محل ذخیره میکند و به جای ارسال اطلاعات خام، تنها مدلهای تجمیعشده و ناشناس را با شبکه به اشتراک میگذارد؛ بهاینترتیب حریم خصوصی کاربران بهطور کامل حفظ میشود. سوم، پیشبینی بار با شبکههای حافظه کوتاهمدت-بلندمدت (LSTM) الگوهای مصرف خانوار و نیاز شارژ خودروهای برقی را پیش از وقوع تشخیص میدهد و تصمیمات لازم را میگیرد.
نتایج شبیهسازی با استفاده از دادههای واقعی مصرف خانوارهای بریتانیایی و دادههای شارژ خودروهای برقی نشان داد که این سیستم میتواند به کاهش ۲۷.۳ درصدی کل انرژی مصرفی، صرفهجویی ۲۴.۸ درصدی در هزینه و بهبود ۳۱.۶ درصدی در شاخص سبز (اثرات زیستمحیطی) منجر شود، اما آنچه اهمیت بیشتری دارد این است که این ارقام تنها در محیط شبیهسازی به دست نیامدهاند؛ در نقاط مختلف جهان، پروژههای عملیاتی نتایج مشابهی را نشان دادهاند.
تجربه آلمان: موفقیت در ساختمانهای غیرمسکونی
در فوریه ۲۰۲۶، آژانس انرژی آلمان به همراه مؤسسه فرانهوفر IEE در شهر کاسل، پروژه آزمایشی مستقلی را برای بهینهسازی مصرف انرژی در ساختمانهای غیرمسکونی آغاز کرد. این پروژه در چارچوب طرح «گذار انرژی استارتاپی» تعریف و روی یک ساختمان اداری مجهز به سامانه فتوولتائیک خورشیدی، پمپ حرارتی و زیرساخت شارژ خودروهای برقی اجرا شد. یک عامل هوش مصنوعی ویژه، وظیفه کنترل هماهنگ این تجهیزات را بر عهده داشت. این عامل سه متغیر مهم یعنی نرخ برق پویا، هزینههای زمانی شبکه و الزامات پایداری شبکه را همزمان در نظر میگرفت.
نتایج عملیاتی پروژه نشان داد که زیرساخت نظارتی و فنی امروزی میتواند بهطور قابل اعتمادی از کنترل هوشمند و سازگار با شبکه پشتیبانی کند. برای مثال، خودروهای برقی بهطور دقیق در ساعتهایی شارژ میشدند که قیمت برق پایین بود و تولید برق خورشیدی در اوج قرار داشت.
رئیس بخش فناوریهای دیجیتال و اکوسیستم استارتاپی در آژانس انرژی آلمان، در این باره گفت: «یک پیشنیاز اساسی این است که چارچوب نظارتی، مشوقهای مناسبی برای چنین سیستمهایی فراهم کند.» او از تنظیمگران خواست که توسعه تعرفههای شبکه برای ساختمانهای با مصرف انرژی بالا را ادامه دهند تا انعطافپذیری مصرف هم ممکن و هم تشویق شود.
چین: شبکه هوشمند در شهر جدید شیونگان
در بیستوپنجم مارس ۲۰۲۶، خبرگزاری رسمی شینهوا گزارش داد که منطقه جدید شیونگان در شمال چین، یک سیستم توزیع شبکه برق هوشمند بر پایه هوش مصنوعی را با موفقیت توسعه داده است. تا آن تاریخ، شیونگان ۱۴ پست برق هوشمند و سبز را در سطوح ولتاژ مختلف احداث کرده بود که با طراحی زیرزمینی و بامهای سبز، بهطور کامل با بافت شهری هماهنگ بودند.
برجستهترین بخش این پروژه، ایستگاه فاکسینگ ۲۲۰ کیلوولت است. این ایستگاه هشت راهکار سبز ساختمانی را یکپارچه و از ۱۵ فناوری کمکربن ازجمله سیستمهای هوشمند کنترل، سیستمهای گردش آب و سیستمهای پایش کربن استفاده میکند. هدف اصلی، دستیابی به انتشار «نزدیک به صفر» کربن در کل چرخه عمر ایستگاه است.
سیستم هوشمند توزیع انرژی در شیونگان با استفاده از الگوریتمهای هوش مصنوعی میتواند تقاضای برق را پیشبینی و منابع تولید پراکنده (همچون پنلهای خورشیدی بام خانهها) را با شبکه اصلی هماهنگ کند. این رویکرد نماد «همافزایی محاسباتی و انرژی» در چین محسوب میشود که به یکی از اولویتهای ملی این کشور تبدیل شده است.
علاوهبر این، در آوریل ۲۰۲۶، شبکه برق جنوب چین یک فراخوان مناقصه را برای «توسعه پایانههای کنترل سبک بر پایه هوشمندی لبهای» منتشر کرد تا امکان کنترل منابع انرژی تجدیدپذیر توزیعشده را مستقیم به خانهها و کسبوکارها برساند.
استرالیا: از پژوهش تا عمل در شبکههای خورشیدی
استرالیا با یکی از بالاترین نرخهای نفوذ پنلهای خورشیدی پشتبامی در جهان، با چالش منحصربهفردی روبهروست؛ در ساعات اوج تولید خورشیدی، برق مازاد بر شبکه تحمیل میشود و در ساعتهای دیگر، تقاضا از تولید پیشی میگیرد. هوشمندی لبهای راهحل این معضل شناخته شده است.
در مارس ۲۰۲۶، دانشگاه نیو ساوت ولز (UNSW) استرالیا با شرکت «آسی سولار باتریز» قرارداد همکاری بلندپروازانهای را برای توسعه «مرکز هوشمند انرژی با هوش مصنوعی برای استقرار نیروگاه مجازی» امضا کرد. این پروژه که تا پایان سال ۲۰۲۶ ادامه خواهد داشت، بر چهار حوزه پیشبینی، مدیریت سمت تقاضا، الگوریتمهای بهینهسازی و مدلسازی دوقلوی دیجیتال متمرکز است.
مدیرعامل شرکت یادشده، در توصیف این همکاری اظهار کرد: «این همکاری به ما اجازه میدهد پژوهشهای در سطح جهانی را از آزمایشگاه خارج کنیم و مستقیم در خانهها و کسبوکارهای واقعی به کار ببریم. این پروژه در مورد پر کردن شکاف بین تحقیق و فناوری است که در واقع در مقیاس عمل میکند و راهحلهایی را پیش میبرد که قابلیت اطمینان را بهبود میبخشد، هزینههای انرژی را کاهش میدهد و پتانسیل کامل نیروگاههای مجازی را آزاد میکند.»
این تنها پروژه استرالیایی نیست. در فوریه ۲۰۲۶، یک «آزمایشگاه زنده» مدیریت انرژی در شهر دابو، واقع در ۳۹۱ کیلومتری شمال غربی سیدنی، به بهرهبرداری رسید. این سیستم که توسط دانشگاه UNSW طراحی شده، از ماژولهای بر پایه هوش مصنوعی برای تحلیل دادههای ایستگاههای هواشناسی و شناسایی موجهای گرما و سایر رویدادهای پیک مصرف استفاده میکند. رهبر پروژه از دانشگاه UNSW، توضیح داد: «این سیستم مدیریت انرژی پویا را از طریق نظارت بر بار و عملکرد باتری امکانپذیر میکند و به سیستمهای انرژی اجازه میدهد مصرف را از قبل برنامهریزی کنند.»
اروپا: شهروندان در مرکز سیستم انرژی
اتحادیه اروپا رویکردی نظاممند و شهروند‑محور را برای مدیریت انرژی با تکیه بر هوش لبهای دنبال میکند. چندین پروژه بزرگ در چارچوب برنامه «افق اروپا» در این زمینه در حال اجرا هستند. پروژه REEFLEX یکی از مهمترین این پروژههاست که یک پلتفرم دیجیتال و راهکارهای نوآورانه بازار را برای مدیریت، مبادله و مصرف انرژی در سراسر اروپا توسعه میدهد.
چهار پایگاه آزمایشی بزرگ در اسپانیا، یونان، سوئیس و بلغارستان در حال آزمایش این فناوری در محیطهای متنوع از جمله ساختمانهای مسکونی، سیستمهای تحرک، تأسیسات تجاری و صنعتی و مراکز داده هستند. به موازات آن، فعالیتهای تکرارپذیری در ترکیه، پرتغال و دانمارک نیز در حال گسترش است. مدلهای پیشبینی توسعهیافته در این پروژه به دقتی بیش از ۹۰ درصد دست پیدا و ابزارهای تجسم کاربرپسند، تفسیر دادهها را برای کاربران نهایی ساده کردهاند.
پروژه ENPOWER رویکردی متفاوت اما مکمل را دنبال میکند. این پروژه با ترکیب فناوریهای پیشرفته اطلاعات و ارتباطات با ابعاد اجتماعی‑رفتاری، اقتصاد اشتراکی و مدلهای تجاری ارزشافزوده، ۱۰ ابزار و سرویس کلیدی ارائه میدهد. از جمله این ابزارها میتوان به الگوریتمهای خوشهبندی و بخشبندی مصرفکنندگان بر پایه هوش مصنوعی، بازار همتا‑به‑همتا بر پایه بلاکچین و مراکز نظارت لبهای برای پاسخگویی خودکار تقاضا اشاره کرد.
علاوهبر این، پروژه STREAM در مارس ۲۰۲۶ موفق به انتشار مقالهای در مجله IEEE Access شد که نشان میدهد با ترکیب بهینهسازی خطی و یادگیری تقویتی عمیق چندعامله میتوان هزینه انرژی جوامع مسکونی را تا ۲۹ درصد کاهش داد. نکته قابلتوجه این است که این سیستم حتی در شرایطی که تا ۴۰ درصد دادههای ورودی خراب یا مفقود باشد، عملکردی مقاوم از خود نشان میدهد.
اهمیت حفظ حریم خصوصی؛ چرا «لبه» بر «ابر» برتری دارد
یکی از قانعکنندهترین دلایل حرکت به سمت هوشمندی لبهای، مسئله حریم خصوصی دادههاست. در رویکرد سنتی بر پایه ابر، دادههای دقیق مصرف انرژی هر خانوار به سرورهای مرکزی ارسال میشود. این دادهها میتوانند الگوهای رفتاری، زمان خروج از منزل، عادات مصرف و حتی غیبت یا حضور ساکنان را فاش کنند.
در سیستمهای هوشمند لبهای، یادگیری فدرال به مدل هوش مصنوعی اجازه میدهد بدون خروج دادههای خام از خانه، بهطور جمعی در هزاران خانوار بهبود پیدا کند. تنها بهروزرسانیهای تجمیعشده و ناشناس (وزنهای مدل، نه دادههای خام مصرف) با شبکه به اشتراک گذاشته میشود. این رویکرد بهطور طبیعی با مقررات سختگیرانه حفاظت از داده در سراسر جهان، از GDPR اروپا تا قوانین حفاظت از اطلاعات شخصی چین و هند، همسو است.
پروژه آژانس انرژی آلمان نیز نشان داد که حریم خصوصی و عملکرد با یکدیگر تضادی ندارند. با طراحی سیستم برای برقراری ارتباط از طریق کانالهای امن و دادن کنترل شفاف به خانوارها از طریق برنامههای تلفن همراه، این پروژه ثابت کرد که هوش مصنوعی لبهای میتواند با حفظ بالاترین استانداردهای امنیتی برای انتقال داده، بهطور مؤثر عمل کند.
چالشهای پیش رو و چشمانداز آینده
شواهد جهانی قانعکننده است. از کاهش ۲۷.۳ درصدی انرژی نشاندادهشده در شبیهسازیهای سیستم AE-GEMS گرفته تا پروژههای واقعی در شبکههای توزیع آلمان، مراکز خورشیدی استرالیا و استقرار شبکههای هوشمند چین، همه حاکی از آن است که مدیریت انرژی مصرفکننده‑محور و زمان واقعی نهتنها ممکن، بلکه عملی است؛ با این حال چالشهای باقیمانده بهطور عمده نهادی و رفتاری هستند تا فنی. اپراتورهای شبکه باید طراحی بازار خود را تطبیق دهند تا به انعطافپذیری پاداش دهند، نه اینکه تنها مصرف پیک را جریمه کنند.
مصرفکنندگان نیز باید ابزارهای شهودی و مشوقهای قانعکنندهای دریافت کنند، در اصل تنها از قبضهای پایینتر بهرهمند نشوند، بلکه عاملیت واقعی بر انتخابهای انرژی خود داشته باشند. استانداردهای قابلیت همکاری نیز باید همچنان تکامل پیدا کنند تا اطمینان حاصل شود که یک دستگاه هوشمند لبهای از یک تولیدکننده میتواند بهطور یکپارچه با دستگاه دیگر هماهنگ شود و از تجزیهشدنی که فناوریهای اولیه «خانه هوشمند» را با مشکل روبهرو کرده است، جلوگیری شود.
با وجود این موانع، مسیر آینده روشن است. شبکه برق فردا از یک مرکز فرماندهی از راه دور کنترل نخواهد شد، در عوض در لبه و توسط دستگاههای هوشمندی که در دیوارها، گاراژها و پشت بامهای خانوارها جای گرفتهاند، مذاکره، بهینهسازی و مدیریت خواهد شد. به این ترتیب مصرفکننده که برای دههها نقطه پایانی منفعل در سیستم انرژی بود، سرانجام در حال تبدیل شدن به هوش فعال آن است.
مطالب مرتبط:
آینده پایدار با گذار از ساختمان «انرژیصفر» به شهر «انرژیمثبت»