Le réseau électrique vieillissant est confronté à des menaces climatiques extrêmes. Les scientifiques du Laboratoire national d’Argonne ont parlé à pÉlectrique de l’utilisation de l’intelligence artificielle et de l’apprentissage automatique pour prédire les risques et minimiser les pannes.
L’intelligence artificielle (IA) aide les fournisseurs de services publics à renforcer le réseau en Amérique du Nord car elle peut prédire quelles sont les actifs existants qui vont échouer et comment planifier au mieux les réparations. Améliorer la sécurité et la fiabilité du réseau est essentiel pour le protéger des risques d’incendie de forêt. À mesure que le réseau devient de plus en plus exposé aux risques d’incendie de forêt, l’IA deviendra de plus en plus utile au cours des prochaines décennies.
Le Laboratoire national d’Argonne (ANL) est à l’avant-garde des efforts visant à utiliser l’IA et l’apprentissage automatique (ML) au profit de ses partenaires fournisseurs de services publics.
L’IA et l’auto-apprentissage peuvent aider à la maintenance et à la prévention des pannes. Image utilisée avec l’aimable autorisation de Wikimedia Commons
Réduire les pannes et les coûts de maintenance grâce à l’IA
Il y a beaucoup de place pour améliorer le réseau, selon Feng Qiu, chercheur principal en informatique et responsable de section au Laboratoire national d’Argonne.
« L’âge et l’état des réseaux d’utilité sont notés C- par l’American Society of Civil Engineers. De nombreux générateurs hydroélectriques, transformateurs et autres dispositifs ont été déployés il y a une cinquantaine d’années. (Ils sont déjà arrivés) en fin de vie. Ce qui aggrave la situation, c’est que, avec l’intégration profonde des énergies renouvelables et l’intégration de nouveaux composants énergétiques dans le réseau, les modèles opérationnels émergents du réseau continuent de pousser notre réseau de transport vieillissant à ses limites », a déclaré Qiu à pÉlectrique.
Le travail de l’ANL avec l’IA conseille les fournisseurs de services publics sur la façon dont ils peuvent réduire les coûts de maintenance, maximiser l’utilisation de la durée de vie des machines et optimiser l’inventaire des pièces de rechange. L’ANL mène ce travail en exploitant les informations de surveillance des conditions et en développant des modèles de processus stochastiques et d’autres modèles d’apprentissage automatique (ML) pour approximer le processus de dégradation. Jusqu’à présent, l’ANL a analysé des données concernant les onduleurs solaires et les batteries. Il a également analysé des informations concernant les actifs de générateurs hydroélectriques, pour lesquelles les données couvrent la moitié de la capacité de génération hydroélectrique des États-Unis.
Qiu a également noté qu’un autre impact du changement climatique est la fréquence accrue des événements météorologiques extrêmes, qui peuvent entraîner des pannes d’électricité.
Changement du nombre de jours et de la superficie avec l’indice de sécheresse Keetch-Byram (KBDI) > 600 de la période historique à la fin du XXIe siècle, à l’aide des modèles de recherche et de prévision météorologique (WRF) CCSM4. Image utilisée avec l’aimable autorisation de Brown, Wang et Feng
« La plupart des méthodes de prévision actuelles s’appuient principalement sur des modèles physiques et des simulations du réseau. (Ils) ne peuvent pas comprendre les motifs météorologiques de plus en plus complexes et à grande échelle. Pour prévoir l’impact potentiel sur le réseau électrique avec une résolution élevée, en particulier le processus de panne et d’évolution pendant l’événement météorologique extrême, nous avons exploité la base de données de pannes des clients électriques de l’ANL », a déclaré Qiu.
L’ANL a ensuite développé de nouveaux modèles d’IA/ML indépendants des modèles physiques du réseau. Ceux-ci capturent les caractéristiques spatio-temporelles des conditions météorologiques extrêmes. Les modèles peuvent fournir une prévision du processus de panne avec une bonne précision.
Comment l’IA prédit les pannes d’électricité
L’ANL commence le processus en combinant l’apprentissage statistique avec les réseaux neuronaux. L’équipe capte les impacts sophistiqués des variables météorologiques pour modéliser le processus de panne aléatoire. Grâce à une prévision météorologique, la prédiction peut fournir une série temporelle du nombre de pannes avec une résolution temporelle de 15 minutes et une résolution géographique au niveau du comté. La prédiction peut également donner le pire scénario, comme des vitesses de vent maximales, des températures et des quantités de précipitations, selon Alinson Xavier, chercheur en informatique pour le Laboratoire national d’Argonne.
L’ANL utilise la technologie MIPLearn, un cadre open-source pour la prochaine génération d’outils d’optimisation du système électrique. MIPLearn repose sur une combinaison de programmation linéaire mixte en nombres entiers (PLNE) et d’IA pour améliorer le processus de prise de décision. MIPLearn utilise l’IA pour identifier les motifs dans les problèmes d’optimisation résolus précédemment.
Incidents météorologiques graves par an. Image utilisée avec l’aimable autorisation de l’Administration nationale océanique et atmosphérique
MIPLearn utilise ensuite ces motifs pour générer des indices visant à améliorer les performances des solveurs d’optimisation classiques tels que CPLEX. Cette approche permet d’accélérer les applications des systèmes électriques de quatre à dix fois sans réduction de la qualité de la solution.
Localiser les pannes de courant est une meilleure façon de gérer les risques que de couper l’alimentation à trop de clients. Un exemple provient de la Californie, où les fournisseurs de services publics évitent les risques d’incendie de forêt en réalisant une opération de sécurité appelée coupure de l’alimentation publique. Dans une telle opération, un fournisseur de services publics coupe temporairement certaines sous-stations, lignes de transport ou transformateurs pendant quelques jours. Ces actions entraînent des perturbations importantes pour un grand nombre de clients.
Une meilleure alternative pour gérer le risque consiste à développer un modèle amélioré de répartition de l’énergie électrique. Le développement du modèle nécessite de rediriger les flux d’énergie pour réduire la charge sur les lignes de transmission dans les zones à haut risque d’incendie de forêt. L’ANL a également développé un modèle amélioré de planification d’extension de transmission pour sélectionner un itinéraire de transmission évitant les zones à haut risque d’incendie de forêt.
Financement et partenariat pour les projets d’IA d’Argonne
L’ANL est en train de transformer certains résultats de recherche en outils utilisables pour l’industrie et la communauté de la recherche. Par exemple, en fonction des prévisions météorologiques extrêmes, l’ANL a développé un outil de prévision des pannes utilisant des modèles spatio-temporels pour prédire le processus de panne des clients électriques. L’ANL est en train de développer une application Web destinée à différents acteurs, notamment aux opérateurs de réseau et à l’Agence fédérale de gestion des urgences des États-Unis.
Différents projets de l’ANL disposent de budgets distincts. Le programme de modélisation avancée du réseau de l’Office of Electricity du département de l’énergie des États-Unis finance les travaux de prévision des pannes des clients d’électricité. Ce programme dispose d’un budget de 700 000 dollars pour deux années de travail. Les 50 000 dollars initiaux proviendront du programme de recherche et développement dirigé par le Laboratoire de l’ANL pour le projet d’optimisation améliorée par l’IA. Ensuite, le programme de modélisation avancée du réseau fournira 800 000 dollars de financement pour deux années de travail.
Avenir des améliorations de l’IA du réseau
À l’avenir, de nouvelles améliorations du réseau pourraient profiter considérablement aux fournisseurs de services publics et au public. Toutes les solutions ne fonctionneront pas pour chaque réseau de services publics. Cependant, de nombreux fournisseurs de services publics bénéficieraient de trouver un moyen de gérer une grande intégration des énergies renouvelables et des ressources énergétiques distribuées massivement. Cela nécessite une gamme de solutions, notamment la prévision de la charge, la prédiction en mode hors ligne, la formation du réseau, les technologies de charge intelligente et les contrôles des ressources énergétiques distribuées.
À mesure que les fournisseurs de services publics utilisent de plus en plus l’IA et l’apprentissage automatique dans la gestion de l’état des équipements, ils peuvent bénéficier de l’adaptation aux changements apportés par le changement climatique et la décarbonisation. Les étapes comprennent le renforcement de la résilience et la préparation aux événements météorologiques extrêmes.
La large gamme d’efforts impliquant l’IA et l’apprentissage automatique nécessite différentes ressources, notamment de nouvelles technologies, des changements de politique, des investissements et des programmes d’incitation. Cela rend difficile d’évaluer le coût total.
Actuellement, l’ANL collabore avec Commonwealth Edison (ComEd), un fournisseur de services publics, sur des projets impliquant l’IA et l’apprentissage automatique. D’autres partenaires de l’ANL incluent l’Hydropower Research Institute, une collaboration conçue pour les chefs de file de l’industrie hydroélectrique, qui fournit des données de surveillance des conditions pour les projets de prévision de l’hydroélectricité, et SunEnergy1 et Ideal Energy, deux sociétés d’énergie solaire. CB Solar, un installateur de systèmes d’énergie solaire, fournit des données opérationnelles sur les onduleurs pour les projets de prévision solaire. Independent System Operator (ISO)-New England analyse l’intégration des véhicules électriques dans son réseau pour étudier les impacts sur la justice énergétique. LeMidcontinent Independent System Operator (MISO) fournit une expertise et des conseils dans le cadre du projet d’optimisation améliorée par l’IA. Southern California Edison fournit l’expertise du domaine et la supervision sur le projet d’incendie de forêt de l’ANL.