Microsoft lanza GridSFM, un modelo fundacional ligero para la optimización de redes eléctricas

Microsoft ha lanzado GridSFM, un modelo fundacional ligero diseñado para resolver problemas de flujo de potencia óptimo de CA (AC-OPF) en redes de transmisión eléctrica en milisegundos. El modelo aborda un cuello de botella crítico en las operaciones de red, donde los solucionadores tradicionales pueden tardar horas en calcular el despacho óptimo para redes grandes, obligando a los operadores a depender de aproximaciones que sacrifican precisión.

GridSFM es una única red neuronal que aproxima AC-OPF en redes que van de 500 a 80.000 nodos. Toma entradas estándar de AC-OPF, topología de red, especificaciones de generadores y cargas, restricciones de líneas de transmisión, y entrega un punto de operación junto con un veredicto de factibilidad. Según Microsoft, el modelo puede evaluar órdenes de magnitud más escenarios en tiempo real, cambiando las operaciones de red de respuesta reactiva a optimización proactiva.

Dos niveles para diferentes escalas

El lanzamiento incluye dos niveles: GridSFM-Open, para redes de escala de investigación de hasta 4.000 nodos, y GridSFM-Premier, para sistemas de escala de producción de hasta 80.000 nodos. GridSFM-Open está disponible para uso en investigación bajo una licencia abierta, junto con el código y los pesos acompañantes.

Microsoft entrenó el modelo en más de 150 topologías de red base y aproximadamente medio millón de escenarios, forzándolo a generalizar en lugar de memorizar. En un conjunto de prueba de 54 redes, GridSFM-Open logra una brecha de costo mediana del 2,23% en comparación con las soluciones del solucionador de referencia, con el 83% de los escenarios dentro de una brecha del 5%.

Rendimiento y precisión

GridSFM se desempeña de manera comparable a la aproximación estándar de la industria DC-OPF en términos de precisión de costos, con una distribución de brecha de costo por escenario similar. Sin embargo, a diferencia de DC-OPF, produce un punto de operación de CA completo, incluyendo voltajes y potencia reactiva, lo que permite a los operadores evaluar directamente la estabilidad y congestión de la red.

El modelo también sirve como un inicio cálido efectivo para solucionadores numéricos tradicionales. Microsoft informa que los inicios cálidos con semilla de GridSFM superan a los inicios fríos por un factor de media geométrica de 1,66× en los escenarios de prueba, y superan a los inicios cálidos de DC-OPF por 1,59×. Las mayores aceleraciones por red superan 7× en redes de transmisión malladas.

Evaluación de factibilidad

GridSFM incluye una puntuación de estrés por escenario que puede identificar rápidamente condiciones operativas inviables, escenarios donde la carga no puede ser atendida dentro de los límites de voltaje, límites térmicos o capacidades de los generadores. La puntuación de estrés logra una precisión binaria del 94,5% en escenarios genuinamente factibles y del 96,1% en escenarios genuinamente inviables en todo el conjunto de prueba.

Esta capacidad permite a los operadores clasificar escenarios: los casos factibles con mucha confianza pasan al despacho indicativo, los escenarios estresados con mucha confianza van a revisión de ingeniería, y la banda media límite se envía a un solucionador para verificación.

Generalización y ajuste fino

Microsoft probó GridSFM en una red de 6.470 nodos nunca vista durante el entrenamiento. En un entorno de cero disparos, el error de costo aumentó al 14%. Sin embargo, con solo 10 escenarios de ajuste fino, el error de costo cayó al 1,76% y la detección de factibilidad superó el 90%. Después de 1.000 escenarios, el error de costo cayó al 1,12% y la variación de voltaje alcanzó el 91% de la señal real.

Según Microsoft, el modelo ya captura la física de AC-OPF durante el preentrenamiento. Adaptarse a una nueva red es principalmente una cuestión de calibración más que de reaprendizaje, lo que hace que el punto de control publicado sea un punto de partida práctico para que los usuarios lo ajusten en sus propias topologías.

Impacto más amplio

Microsoft cree que GridSFM puede abordar el cuello de botella computacional que históricamente obligó a los operadores de red a elegir entre resolver un pequeño número de escenarios con precisión o ejecutar miles a través de aproximaciones más rápidas pero menos precisas. Las decisiones gobernadas por AC-OPF impactan directamente hasta $20 mil millones por año en costos de congestión y reducción de energías renovables de múltiples teravatios-hora.

La compañía lanzó anteriormente el conjunto de datos GridSFM_US_Powergrid_dataset, y ahora agrega el primer modelo de AC-OPF abierto que admite múltiples topologías, completando una pila de datos de topología abierta, código abierto y pesos abiertos para la simulación y planificación de redes impulsadas por ML. Se espera que las aplicaciones que se beneficien incluyan evaluación de contingencias, planificación de expansión de transmisión, análisis de ubicación de demanda y estudios de resiliencia bajo clima extremo.

Microsoft señaló que su próximo lanzamiento se centrará en una precisión más ajustada en redes fuera de distribución, mejoras continuas de precisión en todos los canales de predicción y extensiones de múltiples instantáneas que incluyen compromiso de unidades y generación de escenarios condicionados por el clima.