تصميم نظام تحكم ذكي بالشبكات الكهربائية باستخدام الذكاء االصطناعي

Abstract

الم يقدم هذا البحث تصميم وتنفيذ نظام تحكم ذكي للشبكات الكهربائية باستخدام تقنيات الذكاء االصطناعي، كيلوفولت في السودان. تنبع أهمية الدراسة

110 / 220ا في ذلك عدم استقرار األحمال، وتقادم البنية التحتية، مع تطبيق عملي على محطة شندي التحويلية بجهد من التحديات الحرجة التي تواجه الشبكة القومية، بم ومحدودية سعة التوليد، وغياب أنظمة المراقبة التنبؤية. ولمعالجة هذه المشكالت، تم اقتراح إطار عمل قائم على البيانات يهدف إلى تحسين الكفاءة التشغيلية، والموثوقية، واستقرار النظام الكهربائي. ، وتشمل متغيرات سكادا مقترحة على استخدام بيانات تشغيل حقيقية مستخلصة من نظام تعتمد المنهجية ال كهربائية رئيسية مثل القدرة الفعالة، التيار، الجهد، والقدرة غير الفعالة. تم تطبيق تقنيات المعالجة المسبقة انات واتساقها. كما تم تطوير للبيانات، بما في ذلك التنميط اإلحصائي وإزالة القيم الشاذة، لضمان جودة البي لتنفيذ التنبؤ قصير األمد باألحمال نموذج تعلم عميق يعتمد على شبكات الذاكرة طويلة قصيرة المدى باستخدام منهجية السالسل الزمنية متعددة المتغيرات. تم تدريب النموذج وتقييمه باستخدام مقاييس أداء

.) R²الخطأ المطلق ، ومعامل التحديد ( قياسية تشمل جذر متوسط مربع الخطأ ومتوسط باإلضافة إلى ذلك، تم دمج استراتيجية تحكم ذكية تعتمد على منطق العتبات مع نموذج التنبؤ، مما يتيح اتخاذ قرارات فورية في الزمن الحقيقي إلدارة توزيع األحمال وتنفيذ عمليات فصل األحمال بشكل آلي عند غيل المحوالت المتوازية ديناميكيا ً، مع إعطاء أولوية لألحمال الحيوية لتفادي الحاجة. يقوم النظام بإدارة تش انهيار النظام في حاالت الحمل الزائد. ) قيمة

R²أظهرت نتائج المحاكاة أن النموذج المقترح يحقق دقة تنبؤية عالية، حيث بلغ معامل التحديد ( ته في تمثيل األنماط غير الخطية لألحمال مع انخفاض ملحوظ في قيم الخطأ، مما يؤكد كفاء

0.9824الكهربائية. كما ساهم نظام التحكم المدمج في تحسين استقرار الشبكة، وتقليل اإلجهاد الحراري على المحوالت، والحد من مخاطر حدوث اإلظالم التام. فعاالً وقابالً للتوسع تشير النتائج إلى أن دمج تقنيات التعلم العميق مع أنظمة التحكم التقليدية يمثل حالً لتحديث الشبكات الكهربائية. ويساهم هذا النهج في دعم التحول نحو الشبكات الذكية القادرة على التنبؤ ة الذاكرة طويلة قصير مثل بحث مستقبالً بتطوير نماذج هجينة والتكيف مع ظروف التشغيل. ويوصي ال

v التحتية للقياس، ودمج مصادر الطاقة المتجددة لتعزي ز، وتحديث البنية المدى والشبكة العصبية االلتفافية كفاءة واستدامة منظومة الطاقة الكهربائية.

vi Abstract : This paper presents the design and implementation of an intelligent control system for electrical power networks using artificial intelligence techniques, with a case study on the Shendi 220/110 kV substation in Sudan. The study is motivated by critical challenges facing the national grid, including load instability, aging infrastructure, limited generation capacity, and the absence of predictive monitoring systems. To address these issues, a data-driven framework is proposed to enhance operational efficiency, reliability, and resilience of the power system. The proposed methodology utilizes real operational data acquired from the SCADA system, incorporating key electrical parameters such as active power, current, voltage, and reactive power. Data preprocessing techniques, including statistical normalization and outlier removal, are applied to ensure data quality and consistency. A deep learning model based on Long Short-Term Memory (LSTM) networks is developed to perform short-term load forecasting using a multivariate time-series approach. The model is trained and validated using standard performance metrics, including Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and the coefficient of determination (R²). In addition, an intelligent control strategy based on threshold logic is integrated with the forecasting model to enable real-time decision-making for load distribution and automated load shedding. The system dynamically manages the operation of parallel transformers and prioritizes critical loads to prevent system collapse under overload conditions. Simulation results demonstrate that the proposed model achieves high predictive accuracy, with an R² value of 0.9824 and low error margins, confirming its vii effectiveness in capturing nonlinear load patterns. Furthermore, the integrated control mechanism significantly improves system stability, reduces thermal stress on transformers, and minimizes the risk of blackout events. The findings indicate that the integration of deep learning techniques with conventional control systems provides a robust and scalable solution for modernizing power networks. This approach facilitates the transition toward smart grid architectures capable of predictive operation and adaptive control. Future work recommends extending the model using hybrid architectures (e.g., CNN-LSTM), upgrading measurement infrastructure, and incorporating renewable energy sources to further enhance system performance and sustainability.