اگر چند سال پیش از یک دانشجوی مهندسی برق میپرسیدید مهمترین مهارت برای انجام پژوهش چیست، احتمالاً پاسخهایی مانند بهینهسازی (Optimization)، برنامهریزی ریاضی یا شبیهسازی را میشنیدید. اما امروز تقریباً همه درباره Machine Learning و هوش مصنوعی صحبت میکنند. این موضوع باعث شده بسیاری از دانشجویان و حتی پژوهشگران تصور کنند که یادگیری ماشین قرار است جای روشهای بهینهسازی را بگیرد. اما واقعیت چیز دیگری است.
در بسیاری از پروژههای واقعی مهندسی برق، این دو مفهوم نهتنها رقیب یکدیگر نیستند، بلکه مکمل هم هستند. اگر تفاوت آنها را بهخوبی درک نکنید، ممکن است برای حل یک مسئله از ابزار اشتباهی استفاده کنید و ساعتها یا حتی ماهها زمان خود را هدر دهید.
در این مقاله به زبان ساده بررسی میکنیم که Optimization و Machine Learning دقیقاً چه تفاوتی دارند، هر کدام در چه مسائلی کاربرد دارند و چرا پژوهشهای جدید معمولاً از ترکیب هر دو استفاده میکنند.
Optimization چیست؟
بهینهسازی یعنی:
پیدا کردن بهترین تصمیم ممکن با توجه به یک هدف مشخص و مجموعهای از محدودیتها.
در مسائل مهندسی برق معمولاً هدف میتواند یکی از موارد زیر باشد:
- کمینه کردن هزینه
- کمینه کردن تلفات شبکه
- کاهش انتشار آلایندهها
- بیشینه کردن سود
- افزایش قابلیت اطمینان
- کاهش افت ولتاژ
- بهبود پایداری سیستم
در کنار هدف، معمولاً محدودیتهای زیادی نیز وجود دارد؛ برای مثال:
- محدودیت توان خطوط
- محدودیت ولتاژ باسها
- محدودیت ظرفیت تجهیزات
- محدودیت ذخیره انرژی
- محدودیتهای فنی منابع تولید
بهینهسازی تلاش میکند تصمیمی پیدا کند که تمام این محدودیتها رعایت شوند و در عین حال بهترین مقدار تابع هدف حاصل شود.
یک مثال ساده
فرض کنید قرار است ظرفیت یک باتری را در یک ریزشبکه تعیین کنید. اگر باتری خیلی کوچک باشد، صرفه اقتصادی نخواهد داشت. اگر خیلی بزرگ باشد، هزینه سرمایهگذاری افزایش پیدا میکند. پس باید ظرفیتی پیدا شود که مجموع هزینه سرمایهگذاری و هزینه بهرهبرداری حداقل شود. این دقیقاً یک مسئله Optimization است.
Machine Learning چیست؟
Machine Learning فلسفه متفاوتی دارد. در اینجا هدف پیدا کردن بهترین تصمیم نیست. هدف این است که سیستم از دادهها یاد بگیرد.
به بیان ساده:
Machine Learning تلاش میکند الگوهای پنهان موجود در دادهها را کشف کند و بر اساس آنها پیشبینی انجام دهد.
برای مثال:
- پیشبینی بار الکتریکی
- پیشبینی قیمت برق
- پیشبینی تولید نیروگاه خورشیدی
- تشخیص خطا
- طبقهبندی نوع اتصال کوتاه
- تشخیص خرابی تجهیزات
- پیشبینی مصرف مشترکان
در تمام این مسائل پاسخ از قبل در دادهها وجود دارد و مدل تلاش میکند رابطه میان ورودی و خروجی را یاد بگیرد.
تفاوت اصلی Optimization و Machine Learning در چیست؟
شاید بتوان تفاوت آنها را در یک جمله خلاصه کرد:
| Optimization | Machine Learning |
|---|---|
| بهترین تصمیم را پیدا میکند. | از دادهها یاد میگیرد. |
| نیاز به مدل ریاضی دارد. | نیاز به داده دارد. |
| خروجی معمولاً یک تصمیم بهینه است. | خروجی معمولاً یک پیشبینی یا طبقهبندی است. |
| بر پایه تابع هدف و محدودیتها عمل میکند. | بر پایه آموزش مدل روی دادهها عمل میکند. |
| اگر دادهای نداشته باشید هم قابل استفاده است. | بدون داده تقریباً کاربردی ندارد. |
یک مثال واقعی در شبکه برق
فرض کنید اپراتور شبکه برق میخواهد برنامه بهرهبرداری فردای شبکه را تعیین کند. ابتدا باید بداند فردا مصرف برق چقدر خواهد بود. اینجا معمولاً از Machine Learning استفاده میشود. حالا که مقدار مصرف پیشبینی شد، باید مشخص شود:
- کدام نیروگاه روشن شود؟
- هر نیروگاه چه مقدار تولید کند؟
- باتری چه زمانی شارژ شود؟
- چه زمانی انرژی از شبکه خریداری شود؟
اینجا دیگر وارد دنیای Optimization شدهایم.
یعنی:
Machine Learning اطلاعات آینده را پیشبینی میکند و Optimization بهترین تصمیم را میگیرد.
آیا Machine Learning جای Optimization را میگیرد؟
این یکی از رایجترین سوءبرداشتهای چند سال اخیر است. فرض کنید میخواهید یک سیستم قدرت را برنامهریزی کنید. حتی اگر بهترین مدل هوش مصنوعی دنیا بتواند بار فردا را دقیق پیشبینی کند، هنوز باید مشخص کنید:
- ظرفیت تجهیزات چقدر باشد؟
- چه تجهیزی نصب شود؟
- چه زمانی تعمیرات انجام شود؟
- باتری چگونه بهرهبرداری شود؟
- توان تولید هر واحد چقدر باشد؟
اینها همگی مسائل تصمیمگیری هستند و بدون Optimization پاسخ مناسبی ندارند.
پس چرا این روزها همه درباره AI صحبت میکنند؟
دلیلش این است که دادههای صنعت برق بهشدت افزایش یافتهاند. کنتورهای هوشمند، تجهیزات اندازهگیری، PMUها، حسگرهای صنعتی و سامانههای مانیتورینگ حجم عظیمی از داده تولید میکنند. Machine Learning میتواند از این دادهها استفاده کند و الگوهایی را استخراج کند که نوشتن آنها بهصورت روابط ریاضی بسیار دشوار است. اما همچنان تصمیم نهایی معمولاً توسط یک مدل بهینهسازی گرفته میشود.
بیشتر بخوانید: Digital Twin در شبکههای برق چیست و چرا آینده صنعت برق به آن وابسته است؟
پژوهشهای جدید از ترکیب هر دو استفاده میکنند
اگر مقالات معتبر سالهای اخیر را بررسی کنید، متوجه میشوید که بسیاری از آنها از هر دو روش استفاده میکنند.
برای مثال:
- پیشبینی تولید خورشیدی با شبکه عصبی
- پیشبینی قیمت برق با یادگیری ماشین
- تولید سناریوهای عدم قطعیت با مدلهای یادگیری عمیق
- حل مسئله برنامهریزی توسط مدل بهینهسازی
به همین دلیل امروزه اصطلاح AI-assisted Optimization یا Data-driven Optimization در بسیاری از مقالات دیده میشود.
یک تجربه واقعی
در پروژههای مختلفی که در شریف آنلاین انجام دادهایم، بارها دیدهایم که برخی دانشجویان تصور میکنند استفاده از هوش مصنوعی بهتنهایی برای حل مسائل برنامهریزی سیستمهای قدرت کافی است. اما در عمل، مدلهای یادگیری ماشین معمولاً وظیفه پیشبینی بار، قیمت برق یا تولید منابع تجدیدپذیر را بر عهده دارند و تصمیمگیری نهایی همچنان توسط مدلهای بهینهسازی انجام میشود. همین تجربه عملی نشان میدهد که این دو رویکرد، بیش از آنکه رقیب باشند، مکمل یکدیگرند.
بیشتر بخوانید: ۱۰ اشتباه رایج در مدلسازی سیستمهای قدرت که میتواند مقاله شما را ریجکت کند
اگر دانشجوی برق هستید، از کدام شروع کنید؟
اگر در حوزههایی مانند:
- برنامهریزی سیستمهای قدرت
- ریزشبکهها
- سیستمهای انرژی
- بازار برق
- بهرهبرداری شبکه
- ذخیرهسازهای انرژی
فعالیت میکنید، پیشنهاد میشود ابتدا مفاهیم زیر را بهخوبی یاد بگیرید:
- برنامهریزی خطی (LP)
- برنامهریزی غیرخطی (NLP)
- برنامهریزی عدد صحیح (MILP)
- بهینهسازی مقاوم (Robust Optimization)
- بهینهسازی تصادفی (Stochastic Optimization)
پس از آن، یادگیری مباحثی مانند:
- رگرسیون
- شبکههای عصبی
- یادگیری عمیق
- XGBoost
- Random Forest
- Transformer
میتواند توانایی شما را برای حل مسائل واقعی چند برابر کند.
نقش نرمافزارها در هر حوزه
در عمل، ابزارهای مورد استفاده نیز تفاوت دارند.
برای بهینهسازی معمولاً از نرمافزارها و حلکنندههایی مانند GAMS، AIMMS، CPLEX، Gurobi و MATLAB استفاده میشود.
در مقابل، برای یادگیری ماشین ابزارهایی مانند Python، TensorFlow، PyTorch، Scikit-learn و Keras محبوبتر هستند. البته در بسیاری از پروژههای پژوهشی، هر دو گروه ابزار در کنار هم به کار گرفته میشوند؛ بهعنوان مثال، یک مدل یادگیری ماشین در Python تولید میشود و خروجی آن به یک مدل بهینهسازی در GAMS یا MATLAB منتقل میشود تا تصمیم نهایی محاسبه شود.
جمعبندی
بهینهسازی و یادگیری ماشین دو رویکرد متفاوت برای حل مسائل مهندسی برق هستند، اما هر کدام به سؤال متفاوتی پاسخ میدهند.
- اگر سؤال شما این باشد که «چه اتفاقی احتمالاً رخ خواهد داد؟»، یادگیری ماشین انتخاب مناسبی است.
- اگر سؤال شما این باشد که «بهترین تصمیم چیست؟»، بهینهسازی ابزار اصلی خواهد بود.
در بسیاری از کاربردهای امروزی، از مدیریت ریزشبکهها و سیستمهای انرژی گرفته تا برنامهریزی شبکههای توزیع و بازار برق، بهترین نتایج زمانی به دست میآید که این دو رویکرد در کنار یکدیگر استفاده شوند. به همین دلیل، تسلط همزمان بر مفاهیم Optimization و Machine Learning به یکی از مهمترین مهارتهای موردنیاز پژوهشگران و مهندسان برق تبدیل شده است.
بیشتر بخوانید: بازار کار دکتری برق قدرت | آیا ادامه تحصیل در مقطع دکتری ارزش دارد؟
دیدگاه خود را بنویسید