Des chercheurs ont développé un modèle d’IA utilisant des réseaux de neurones graphiques multi-fidélité pour gérer les fluctuations de puissance et les changements imprévisibles de la demande d’énergie.
La gestion des réseaux électriques constitue l’un des défis logistiques les plus importants dans la montée rapide des énergies renouvelables. Étant donné que l’énergie éolienne et solaire fluctuent considérablement, les sources d’énergie peuvent être intermittentes et imprévisibles. La demande est tout aussi imprévisible : que se passe-t-il lorsque 10 millions de nouveaux propriétaires de véhicules électriques décident de recharger leurs voitures une nuit ?
Les systèmes de gestion du réseau ont besoin de solutions pour gérer cette incertitude d’offre et de demande. À l’Université de Virginie, une équipe de recherche a construit un modèle d’intelligence artificielle utilisant des réseaux de neurones graphiques multi-fidélité (GNN) pour aider à gérer la complexité du réseau électrique. Le modèle utilise divers ensembles de données, y compris des données de haute fidélité, plus précises mais souvent plus difficiles à obtenir, et des données de faible fidélité, moins précises mais plus faciles ou moins chères à acquérir.
Ce modèle GNN multi-fidélité exploite les deux types de données afin que le réseau puisse maintenir la précision, améliorer l’efficacité opérationnelle et rapidement rediriger l’énergie en cas de problèmes tels que des pannes de ligne électrique.
Sous-station. Image utilisée avec l’aimable autorisation de Adobe Stock
Gestion du flux d’énergie et des sources d’énergie renouvelable
Le problème le plus pressant dans la gestion des réseaux est le flux d’énergie. L’analyse du flux d’énergie consiste à calculer comment l’électricité se déplace des sources (générateurs) vers les charges (consommateurs) tout en maintenant la stabilité du système et l’efficacité opérationnelle. Ce processus vise à garantir que l’électricité soit livrée en toute sécurité à travers le réseau sans dépasser les limites de tension ou de capacité des lignes de transmission et des transformateurs. Cependant, le volume croissant d’énergie renouvelable et l’augmentation de l’utilisation de véhicules électriques introduisent des niveaux d’incertitude élevés tant dans la génération d’énergie que dans la demande. Ces sources d’énergie incontrôlables remplacent progressivement le gaz naturel et le charbon, qui sont plus facilement maîtrisés. Alors que la demande augmente, la gestion du réseau devient de plus en plus complexe.
Les sources renouvelables sont intrinsèquement variables et dépendent des conditions météorologiques, ce qui entraîne des fluctuations imprévisibles dans la génération d’énergie. Simultanément, l’électrification croissante dans des secteurs comme le transport contribue à des modèles de demande erratiques. Ces changements défient les méthodes traditionnelles d’optimisation du flux d’énergie (OPF), qui utilisent des approches déterministes ayant du mal à prendre en compte les variations dynamiques des conditions en temps réel.
Les sources renouvelables dépassent la génération d’énergie fossile. Image utilisée avec l’aimable autorisation de Administration de l’information sur l’énergie
Les méthodes traditionnelles telles que Newton-Raphson pour le flux d’énergie alternatif (ACPF) sont souvent gourmandes en calculs et peu adaptées aux ajustements en temps réel ; les décisions de gestion du réseau doivent souvent être prises rapidement sur le moment. Sans IA, il était impossible d’utiliser des techniques gourmandes en calculs pour éclairer ces décisions. Des modèles simplifiés comme le flux d’énergie en courant continu (DCPF) peuvent réduire cette charge de calcul mais manquent de la précision nécessaire pour des prévisions exactes dans des réseaux complexes.
La nécessité d’évaluations de scénarios approfondies sous incertitude complique encore le problème de l’OPF, augmentant les exigences de calcul et rendant l’optimisation en temps réel impraticable avec les approches conventionnelles. Ces limitations soulignent la nécessité de modèles adaptatifs et efficaces sur le plan computationnel pour maintenir une distribution optimale de l’énergie tout en gérant les défis de l’intégration des renouvelables et de la demande imprévisible.
Haute précision et faible coût computationnel avec des réseaux de neurones graphiques multi-fidélité
Le modèle d’IA de l’Université de Virginie utilise des réseaux de neurones graphiques multi-fidélité améliorés (EMF-GNN) pour relever ces défis en intégrant des données à faible et à haute fidélité dans les calculs du flux d’énergie. Dans le modèle EMF-GNN, un GNN à faible fidélité estime d’abord les angles de phase. Ensuite, un GNN à haute fidélité affine ces estimations en utilisant l’ACPF, obtenant à la fois précision et efficacité computationnelle.
En s’appuyant sur des structures de graphes, les EMF-GNN peuvent modéliser des bus (c’est-à-dire des stations électriques ou sous-stations) comme des nœuds et des lignes de transmission comme des arêtes, leur permettant de s’ajuster dynamiquement aux changements dans la configuration du réseau tels que les pannes de lignes électriques et les pannes de générateurs. Cette adaptabilité garantit la robustesse dans diverses conditions de réseau et améliore la réactivité en temps réel. L’incorporation de GNN avec l’IA a considérablement amélioré l’efficacité computationnelle par rapport aux méthodes classiques non assistées par GNN, qui sont plus lentes.
Dans l’EMF-GNN, le modèle à faible fidélité génère rapidement des estimations initiales, tandis que le modèle à haute fidélité corrige ces approximations. Ce processus à deux niveaux minimise les erreurs et les exigences computationnelles en se concentrant sur le traitement de haute fidélité là où c’est le plus nécessaire.
L’EMF-GNN combine des données faciles et plus complexes. Image utilisée avec l’aimable autorisation de Taghizadeh et al.
Dans un paysage énergétique avec une offre de puissance et une demande de charge de plus en plus incertaines, le modèle assisté par EMF-GNN peut gérer ces variables, garantissant des solutions optimales et résilientes dans des conditions imprévisibles. Sans l’ajout de la modélisation GNN, le temps de calcul aurait réduit la faisabilité. L’équipe de l’UVA a franchi une étape importante vers un avenir où l’IA est adaptée et combinée avec d’autres innovations pour relever les défis énergétiques de demain.