Microsoft publie GridSFM, un modèle de fondation léger pour l'optimisation des réseaux électriques

Microsoft a publié GridSFM, un modèle de fondation léger conçu pour résoudre le problème de l'écoulement de puissance optimal AC (AC-OPF) dans les réseaux de transport d'électricité en quelques millisecondes. Le modèle répond à un goulot d'étranglement critique dans les opérations de réseau, où les solveurs traditionnels peuvent prendre des heures pour calculer le dispatch optimal pour les grands réseaux, obligeant les opérateurs à s'appuyer sur des approximations qui sacrifient la précision.

GridSFM est un réseau neuronal unique qui approxime l'AC-OPF sur des réseaux allant de 500 à 80 000 jeux de barres. Il prend les entrées standard de l'AC-OPF (topologie du réseau, spécifications des générateurs et des charges, contraintes des lignes de transport) et produit un point de fonctionnement ainsi qu'un verdict de faisabilité. Selon Microsoft, le modèle peut évaluer des ordres de grandeur de scénarios supplémentaires en temps réel, faisant passer les opérations du réseau d'une réponse réactive à une optimisation proactive.

Deux niveaux pour différentes échelles

La publication comprend deux niveaux : GridSFM-Open, pour les réseaux de recherche jusqu'à 4 000 jeux de barres, et GridSFM-Premier, pour les systèmes de production jusqu'à 80 000 jeux de barres. GridSFM-Open est disponible pour une utilisation en recherche sous une licence ouverte, accompagné du code et des poids correspondants.

Microsoft a formé le modèle sur plus de 150 topologies de réseau de base et environ un demi-million de scénarios, l'obligeant à généraliser plutôt qu'à mémoriser. Sur un ensemble de test de 54 réseaux, GridSFM-Open atteint un écart de coût médian de 2,23 % par rapport aux solutions du solveur de référence, avec 83 % des scénarios dans un écart de 5 %.

Performance et précision

GridSFM offre des performances comparables à l'approximation DC-OPF standard de l'industrie en termes de précision des coûts, avec une distribution similaire de l'écart de coût par scénario. Cependant, contrairement au DC-OPF, il produit un point de fonctionnement AC complet incluant les tensions et la puissance réactive, permettant aux opérateurs d'évaluer directement la stabilité du réseau et la congestion.

Le modèle sert également de démarrage à chaud efficace pour les solveurs numériques traditionnels. Microsoft rapporte que les démarrages à chaud amorcés par GridSFM surpassent les démarrages à froid d'un facteur de moyenne géométrique de 1,66× sur les scénarios de test, et surpassent les démarrages à chaud du DC-OPF de 1,59×. Les accélérations maximales par réseau dépassent 7× sur les réseaux de transport maillés.

Filtrage de faisabilité

GridSFM comprend un score de stress par scénario qui peut rapidement identifier des conditions de fonctionnement non réalisables, des scénarios où la charge ne peut pas être servie dans les limites de tension, les limites thermiques ou les capacités des générateurs. Le score de stress atteint une précision binaire de 94,5 % sur les scénarios véritablement réalisables et de 96,1 % sur ceux véritablement non réalisables dans l'ensemble de test.

Cette capacité permet aux opérateurs de trier les scénarios : les cas très probables réalisables sont transmis à un dispatch indicatif, les scénarios très probables stressés sont envoyés pour révision technique, et la bande intermédiaire limite est envoyée à un solveur pour vérification.

Généralisation et fine-tuning

Microsoft a testé GridSFM sur un réseau de 6 470 jeux de barres jamais vu pendant l'entraînement. En mode zéro-shot, l'erreur de coût est montée à 14 %. Cependant, avec seulement 10 scénarios de fine-tuning, l'erreur de coût est tombée à 1,76 % et la détection de faisabilité a dépassé 90 %. Après 1 000 scénarios, l'erreur de coût est tombée à 1,12 % et la variation de tension a atteint 91 % du signal réel.

Selon Microsoft, le modèle capture déjà la physique de l'AC-OPF pendant le pré-entraînement. L'adaptation à un nouveau réseau relève davantage d'un calibrage que d'un réapprentissage, faisant du point de contrôle publié un point de départ pratique pour les utilisateurs souhaitant effectuer un fine-tuning sur leurs propres topologies.

Impact plus large

Microsoft estime que GridSFM peut résoudre le goulot d'étranglement computationnel qui, historiquement, forçait les opérateurs de réseau à choisir entre résoudre un petit nombre de scénarios avec précision ou en exécuter des milliers via des approximations plus rapides mais moins précises. Les décisions régies par l'AC-OPF ont un impact direct sur jusqu'à 20 milliards de dollars par an en coûts de congestion et sur le délestage de plusieurs térawattheures d'énergie renouvelable.

La société avait précédemment publié le jeu de données GridSFM_US_Powergrid_dataset, et ajoute maintenant le premier modèle AC-OPF ouvert prenant en charge plusieurs topologies, complétant ainsi une pile de données de topologie ouvertes, de code ouvert et de poids ouverts pour la simulation et la planification de réseau pilotées par l'apprentissage automatique. Les applications qui devraient en bénéficier incluent le filtrage de contingences, la planification de l'expansion du transport, l'analyse de localisation de la demande et les études de résilience en cas de conditions météorologiques extrêmes.

Microsoft a indiqué que sa prochaine publication se concentrera sur le resserrement de la précision sur les réseaux hors distribution, l'amélioration continue de la précision sur tous les canaux de prédiction et les extensions multi-instantanés, y compris l'engagement de l'unité et la génération de scénarios conditionnés par la météo.