Microsoft GridSFM : révolutionner les réseaux électriques

Microsoft a récemment introduit GridSFM, un modèle de fondation léger qui pourrait transformer la gestion des réseaux électriques. Ce modèle est conçu pour prédire le flux de puissance optimal alternatif (AC-OPF) en quelques millisecondes, une avancée qui promet d'améliorer l'efficacité opérationnelle et de réaliser des économies significatives. GridSFM se distingue par sa capacité à influencer directement des décisions financières majeures, avec un impact potentiel sur jusqu'à 20 milliards de dollars par an en pertes de congestion et une réduction de 3,4 TWh d'énergie renouvelable non utilisée. En fournissant une estimation rapide de la répartition des générateurs et des coûts, GridSFM offre une visibilité accrue sur la congestion et la stabilité du système électrique.

Au-delà de l'estimation de la répartition des générateurs et des coûts, GridSFM produit des états complets du système AC, offrant aux opérateurs une visibilité directe sur la congestion, la stabilité et la santé globale du système. Il constitue une base pour la communauté afin de développer des simulateurs avancés de réseaux électriques et des outils de planification sans avoir à recréer des données ou des modèles à partir de zéro.

Un modèle pour l'avenir des réseaux électriques

Le modèle de Microsoft est particulièrement pertinent dans un contexte où les réseaux électriques sont sous pression croissante. Avec l'augmentation de la demande, l'intégration des énergies renouvelables, l'électrification des transports et les événements climatiques extrêmes, la nécessité de déterminer les points de fonctionnement optimaux est cruciale. Répondre à cette question nécessite de résoudre le problème de flux de puissance optimal alternatif (AC-OPF), un problème d'optimisation complexe et non convexe qui calcule la répartition des générateurs la moins coûteuse (combien chaque générateur produit) pour répondre aux demandes tout en respectant la physique du flux de puissance, les limites de tension, les contraintes thermiques et les exigences de stabilité. Ce problème sous-tend les opérations essentielles du système électrique, y compris la fiabilité, la répartition en temps réel, le déblaiement du marché et l'analyse des situations d'urgence.

Ces décisions gouvernent directement des résultats à l'échelle de jusqu'à 20 milliards de dollars par an en coûts de congestion et de multi-terawatt-heure de réduction d'énergie renouvelable, rendant à la fois l'efficacité économique et la fiabilité du réseau très sensibles à la qualité de la détermination de ces points de fonctionnement. Cependant, l'AC-OPF est coûteux en calcul : un réseau de taille utilitaire peut prendre jusqu'à des heures pour être résolu, obligeant à faire un compromis entre la résolution d'un petit nombre de scénarios soigneusement sélectionnés ou la dépendance à des approximations qui ignorent des aspects critiques de la physique, ce qui peut entraîner des erreurs d'estimation des flux de puissance et des contraintes liantes, conduisant à une répartition sous-optimale et à une fiabilité dégradée dans des conditions stressées.

Des performances impressionnantes

Pour remédier à cette limitation, Microsoft introduit GridSFM, un réseau neuronal unique qui approxime l'AC-OPF en millisecondes sur des réseaux allant de 500 à 80 000 bus. Il prend en entrée des données standard de l'AC-OPF (topologie du réseau, spécifications des générateurs et des charges, contraintes des lignes de transmission) et produit un point de fonctionnement et un verdict de faisabilité (si le système satisfait toutes les contraintes physiques et opérationnelles). En éliminant le goulet d'étranglement de calcul, GridSFM permet d'évaluer des ordres de grandeur de scénarios supplémentaires en temps réel, facilitant ainsi des décisions plus éclairées et déplaçant les opérations du réseau d'une réponse réactive vers une optimisation proactive.

Dans cette première version, Microsoft propose deux niveaux : GridSFM-Open pour des réseaux de recherche jusqu'à 4 000 bus, et GridSFM-Premier pour des systèmes de production jusqu'à 80 000 bus. Le modèle est construit comme un opérateur neuronal discret structuré en blocs, représentant chaque réseau comme un graphe orienté, avec des bus (points de connexion dans le réseau) et des générateurs comme sommets, et des lignes de transmission et des lignes AC comme arêtes. Il est entraîné à l'aide d'une supervision par solveur, où des solutions de référence sont générées à l'aide du solveur AC-OPF (IPOPT dans PowerModels.jl), et de contraintes basées sur la physique qui pénalisent les violations des lois physiques fondamentales telles que les lois de Kirchhoff sur la tension et le courant, ainsi que des contraintes opérationnelles comme les limites thermiques. Cela permet au modèle d'apprendre à partir de régimes à la fois réalisables et non réalisables.

La plupart des substituts basés sur l'apprentissage pour l'AC-OPF entraînent un modèle par réseau sur une distribution étroite. GridSFM adopte l'approche inverse : dans cette version, un seul modèle est entraîné sur plus de 150 topologies de réseaux de base et environ 500 000 scénarios couvrant divers profils de charge, pannes multi-éléments, réductions de capacité des lignes, resserrements de limites de tension et différents coefficients de coût des générateurs, de sorte que le modèle est contraint de généraliser plutôt que de mémoriser. Dans les 54 scénarios de test pour GridSFM-Open, notre modèle atteint un écart de coût médian de 2,23 % par rapport aux étiquettes de vérité de solveur (moyenne de 3,41 % ; écart < 5 % sur 83 % des scénarios). Lorsque plus de précision est nécessaire, la prédiction de GridSFM sert également de point de départ pour les solveurs numériques traditionnels, GridSFM-seeded-warm surpassant le solveur à froid par 1,66 fois en moyenne géométrique sur les mêmes scénarios de test et battant le DC-OPF standard de l'industrie par 1,59 fois en moyenne géométrique. La moyenne géométrique, également connue sous le nom de moyenne multiplicative, est utilisée ici car elle est plus robuste face aux valeurs aberrantes. Notre modèle démontre également la capacité de s'adapter à de nouveaux réseaux avec seulement quelques scénarios de réglage fin.

Une alternative aux méthodes traditionnelles

Un schéma courant dans les opérations et la planification des réseaux est de devoir choisir entre résoudre un petit ensemble de scénarios soigneusement sélectionnés avec précision à l'aide de l'AC-OPF complet ou exécuter des milliers de scénarios à travers une approximation plus rapide qui néglige certaines parties de la physique. Par exemple, un outil couramment utilisé est l'approximation DC-OPF, une version linéarisée qui suppose des magnitudes de tension constantes et de petites différences d'angle et ignore la puissance réactive et les pertes. L'approximation DC se résout en quelques secondes alors que l'AC complet prend des minutes à des heures, c'est pourquoi la plupart des écrans de contingence, des pré-stades de déblaiement du marché et des balayages de planification fonctionnent aujourd'hui sur l'approximation DC. Le coût est réel : l'approximation DC ignore entièrement les contraintes de tension et réactives, et son coût de répartition peut être supérieur à 10 % par rapport à l'optimum AC dans des scénarios stressés (avec des réseaux dans les pires cas dépassant 20 % dans notre benchmark de test).

GridSFM est conçu comme une alternative directe à l'approximation DC dans ce créneau d'approximation rapide, et contrairement à la plupart des substituts neuronaux AC-OPF existants, qui nécessitent un nouvel entraînement pour chaque nouvelle topologie, GridSFM généralise à travers les réseaux dans sa gamme de tailles prises en charge sans réentraînement par topologie, ce qui lui permet de s'intégrer aussi universellement que l'approximation DC. En particulier, par rapport à l'AC-OPF, GridSFM présente trois avantages concrets :

• Même classe de précision que l'approximation DC en ce qui concerne le coût de répartition autonome. GridSFM et DC se situent dans la même distribution d'écart de coût par scénario, avec des modes d'échec complémentaires : DC échoue sur des réseaux où sa linéarisation sans perte / sans réactif est structurellement incorrecte ; GridSFM échoue sur des réseaux en dehors de sa distribution d'entraînement. Les deux limitations se ferment le long d'axes orthogonaux. Le plafond de DC est fixé par la linéarisation, tandis que la queue de GridSFM se ferme avec plus de données d'entraînement.

• 1 000 fois plus rapide qu'un solveur AC complet et environ 100 fois plus rapide que l'approximation DC lors de l'étape d'inférence, suffisamment rapide pour balayer des milliers de contingences (par exemple, pannes de lignes ou de générateurs) en quelques minutes sur un GPU standard.

• Un véritable point de fonctionnement AC, pas une approximation linéaire. GridSFM produit des tensions et de la puissance réactive, de sorte que la même prédiction peut être transmise à un solveur numérique traditionnel comme un point de départ AC, ouvrant un flux de travail que l'approximation DC ne peut pas offrir.

Évaluation de la faisabilité : triage par score de stress

Un scénario est considéré comme non réalisable lorsque aucune répartition ne satisfait toutes les contraintes simultanément : la charge demandée ne peut pas être servie dans les limites de tension, les limites thermiques ou les capacités des générateurs. Opérationnellement, l'infaisabilité est le signal d'échec le plus conséquent : la condition de fonctionnement demandée ne peut pas être servie du tout, et la réponse est une intervention (réduction de charge, redéploiement, assouplissement des limites thermiques). C'est également la classe de scénario la plus coûteuse à évaluer, car le solveur apprend seulement qu'un scénario est non réalisable après avoir itéré jusqu'à la non-convergence : chaque cas non réalisable coûte un cycle complet de solveur, souvent plus long qu'un cas réalisable. Balayer des milliers de contingences ou de cas de stress pour identifier les non réalisables est donc l'un des pires budgets dans tout flux de travail de planification.

GridSFM aborde cela avec un score de stress par scénario entraîné conjointement avec la tête de répartition. Nous évaluons le score sur trois classes de scénarios sur chaque réseau :

• réel-réalisable : scénarios sur lesquels le solveur AC-OPF a réussi à converger (c'est-à-dire des points de fonctionnement réellement réalisables),

• réel-non réalisable : scénarios sur lesquels le solveur a échoué à converger (points de fonctionnement réellement non réalisables),

• synth-non réalisable : points de base réalisables que nous avons délibérément perturbés pour violer une contrainte spécifique (compression de tension, goulet d'étranglement thermique, resserrement d'angle ou congestion thermique DC).

À travers les 54 scénarios de test, la précision binaire du score de stress par réseau est globalement uniforme entre les classes : réel-réalisable (vert) moyenne de 94,5 %, réel-non réalisable (rouge) moyenne de 96,1 %, synth-non réalisable (orange) moyenne de 90,4 %. La plupart des réseaux se regroupent à quelques points des moyennes ; les valeurs aberrantes en dessous de 80 % sont les mêmes réseaux difficiles qui apparaissent dans l'analyse de l'écart de coût ci-dessous.