Vers une meilleure gestion du réseau énergétique grâce aux données

Alors que le domaine de l'automatisation s'accélère, la gestion de l'énergie est l'un des domaines les plus prometteurs pour l'innovation dans le monde réel. De meilleurs algorithmes d'automatisation peuvent améliorer de manière spectaculaire la robustesse, l'efficacité et la flexibilité du réseau électrique, trois défis majeurs actuels du secteur de l’énergie . Mais aucun de ces avantages ne peut être obtenu sans progrès dans la compréhension théorique sous-jacente. C'est sur ce point que le Dr Mengshuo Jia (Shuo) concentre son attention.    

Dans l'étude des systèmes énergétiques, les modèles physiques de base qui décrivent le réseau sont trop complexes pour être utiles, en particulier pour les systèmes à grande échelle. Ce problème est généralement résolu par la linéarisation, ce qui permet d’obtenir un modèle qui peut être utilisé à des fins d’optimisation, que ce soit pour des applications industrielles ou pour la recherche. Ces modèles linéaires font aujourd’hui partie intégrante de l’exploitation quotidienne, de la compensation du marché et de la planification du réseau des systèmes électriques dans le monde entier, ouvrant ainsi des marchés de plusieurs milliers de milliards de dollars.      

Les méthodes basées sur des données apportent de nouvelles perspectives, mais également de nouvelles questions  

La linéarisation n'est pas nouvelle, mais le développement de modèles basés sur des données ouvre de nouvelles perspectives.     

Concernant les systèmes énergétiques, les approches de linéarisation basées sur la physique font déjà l’objet de recherche depuis des décennies. Cependant,ces méthodes reposent sur les paramètres physiques du réseau : les caractéristiques des lignes électriques, la manière dont elles sont reliées entre elles, les règles applicables aux sources d’énergie privées, etc. La détermination de ces valeurs précises est plus difficile qu'il n'y paraît ! Elles fluctuent, par exemple, en fonction de facteurs tels que la température, l'âge des câbles électriques, etc. Il est donc coûteux et difficile (voire impossible) d'obtenir les valeurs nécessaires, en particulier dans les réseaux de distribution (les réseaux de fils et de poteaux que vous pouvez voir le long des rues de la ville).      

En revanche, les approches de linéarisation basées sur des données offrent beaucoup plus de flexibilité et, en général, une précision bien plus élevée. Au lieu des paramètres physiques exacts du réseau à un moment donné, seules les données d'exploitation sont nécessaires, i lesquelles sont collectées automatiquement et en continu par des capteurs répartis sur le réseau. Ces méthodes permettent également de tenir compte des incertitudes, tout en offrant une marge de manoeuvre pour les adaptations.    

Dans le contexte des réseaux électriques, il existe aujourd'hui des dizaines de ce type d’approche de linéarisation. Comment savoir quelle est celle qui répond le mieux à nos besoins ? Lorsque de nouveaux modèles sont publiés, seule une comparaison sélective est faite pour montrer leurs avantages; jamais une évaluation complète par rapport à toutes les autres méthodes disponibles. Et comme les résultats ne sont généralement pas disponible publiquement, il est difficile d'évaluer leur fonctionnement.       

Pour combler cette lacune, Shuo a réalisé des évaluations théoriques et numériques de chaque méthode basée sur les données, en examinant leur fonctionnement,  points forts, points faibles et les moyens de l'améliorer. Cette évaluation a porté sur 40 méthodes basées sur des données ainsi que sur quatre méthodes physiques traditionnelles, comparant chaque méthode à travers des dizaines de tests pour voir comment elles se comportent réellement en termes de précision, de vitesse et plus encore.      

Les chercheurs et les ingénieurs disposent ainsi de données reproductibles pour déterminer la méthode la mieux adaptée à leur recherche. Cependant, l'importance du projet réside dans l'accessibilité de cette boîte à outils et la sélection de méthodes proposées. Contrairement aux méthodes physiques, qui sont soit libres de droits, soit intégrées dans des logiciels courants, les nouvelles approches basées sur des données ne sont pas nécessairement faciles à obtenir. "Il est important de rendre ces nouvelles méthodes plus accessibles à tout le monde, et pas seulement pour les spécialistes du domaine des données", explique Shuo. "De cette manière, un plus grand nombre de personnes pourront profiter des méthodes les plus avancées pour améliorer leurs propres projets.”     

Une boîte à outils facile à utiliser pour les universités et l'industrie  

Pour répondre à ce besoin, Shuo a développé une boîte à outils unique. Daline (du nom de la “data-driven linearisation”) contient plus de 50 méthodes de linéarisation, dont 10 nouvelles propositions, ainsi qu'une pléthore de modèles basés par des données issues de la littérature et plusieurs modèles physiques classiques. Mais la boîte à outils va encore plus loin, permettant de générer, nettoyer, traiter et visualiser des données, ainsi que de tester et comparer les différentes approches.    

Daline a été conçue pour aider les utilisateurs à réaliser des tâches complexes avec seulement quelques commandes simples. La plupart des utilisateurs n'auront en effet à en apprendre que trois . Sous l’interface conviviale se cache un système complexe, composé de centaines de fichiers supportant une série de modules avec plus de 300 paramètres ajustables. La boîte à outils est accompagnée d'un manuel complet (plus de 150 pages), créé par Shuo et son assistant de recherche Wen Yi Chan. Mais si cela vous semble décourageant, rassurez-vous : Shuo a également développé AgentDaline, qui s'appuie sur de grands modèles de langage (“Large Language Models” ou LLMs), afin d'améliorer encore l'accessibilité. Imaginez AgentDaline comme un assistant automatisé (comme J.A.R.V.I.S. des films Iron Man) à qui vous pouvez vous adresser en langage naturel, lui demandant de clarifier l'utilisation de divers paramètres et de démontrer les fonctions de Daline. Plus important encore, il peut également effectuer des tâches de simulation à l'aide de Daline, corriger d’éventuelles erreurs de programmation et renvoyer les résultats de la simulation à l’utilisateur.

Le développement d’AgentDaline a impliqué la création d’un cadre général permettant aux LLMs d'effectuer des simulations de systèmes électriques à la demande, en utilisant des boîtes à outils comme Daline, même si ces modèles d'Intelligence Artificielle (IA) n'ont jamais vu ces boîtes à outils auparavant. "Permettre aux LLMs d'effectuer des simulations de systèmes électriques (comme Daline) pourrait constituer un nouveau paradigme de recherche et faire de ces modèles d'IA des assistants de recherche efficaces pour les scientifiques humains", déclare Shuo. 

Comment la boîte à outils peut-elle favoriser un réseau énergétique durable ? 

Dans la pratique, l’utilisation de meilleurs modèles signifie une meilleure planification. Munis de données plus précises, les gestionnaires de réseaux électriques peuvent prendre de meilleures décisions au quotidien (quels générateurs faire fonctionner et quelle quantité d'énergie produire) et élaborer de meilleures stratégies à long terme. Étant donné que les meilleurs modèles disponibles grâce à Daline sont souvent plus précis de trois ordres de grandeur que les modèles les plus couramment utilisés (DC ou PTDF), cette boîte à outils a des implications majeures pour la gestion du réseau électrique national. Il devient possible d'assurer une alimentation des blocs beaucoup plus fiable et efficace ; et comme il n'est pas nécessaire de dépenser de l'argent pour déterminer les paramètres physiques, son utilisation est également plus large.   

En nous tournant vers l’avenir, nous voyons bien sûr immédiatement une raison importantede célébrer cette évolution dans la linéarisation des flux d'énergie. Les sources d'énergie renouvelables introduisent beaucoup plus d'incertitudes et de fluctuations dans le réseau électrique. Cela souligne vraiment les limites des modèles de linéarisation basés sur la physique. À mesure que les énergies renouvelables prennent une place plus importante dans la production d'énergie, la complexité de la gestion du réseau monte en flèche. Les opérateurs auront besoin de modèles axés sur des données pour faire face à cette complexité. Ils devront développer ou identifier un modèle suffisamment général pour prendre en compte toutes les fluctuations introduites par les énergies renouvelables, et comme les données historiques (provenant d'un réseau moins dépendant des énergies renouvelables) seront rapidement dépassées, ils devront continuellement réentraîner leur modèle en se basant sur les données actuelles. Heureusement, Daline facilite cette tâche.   

La collaboration de Swissgrid met Daline à l'œuvre 

Ces outils ont déjà été mis à l’épreuve dans le cadre de la collaboration entre Shuo et Swissgrid. Ensemble, ils ont utilisé des méthodes de linéarisation basées sur des données pour soutenir des actions correctives pour un réseau électrique européen, comprenant plus de 11 000 points de connexion et 18 000 lignes électriques, afin d'améliorer la fiabilité du réseau lors de l'incorporation d'énergies renouvelables. Les résultats, qui montrent la supériorité des méthodes basées sur des données, seront présentés par Aline Scherrer (étudiante supervisée par Shuo) lors de la prochaine réunion générale de l'IEEE Power & Energy Society qui se déroulera en juillet 2024.   

Daline est le produit concret d'un travail hautement académique sur la linéarisation. L'évaluation exhaustive de toutes les méthodes disponibles et les outils conviviaux ont pour but de fournir des recherches fondamentales et des outils pour aider d'autres chercheurs et ingénieurs. Le travail a été exigeant, mais il a permis de faire des découvertes inattendues. "En développant l'ensemble de la boîte à outils, j'ai identifié et résolu un problème dans ce domaine. Et grâce à cela, j'ai également développé plusieurs nouvelles méthodes", explique Shuo. "De nombreux problèmes non résolus et de nouvelles méthodes pour les résoudre sont apparus au cours de mes recherches.” 

L'une d'entre elles a permis à Shuo d'obtenir une bourse du Fonds National Suisse de la recherche scientifique, qui l'a aidé à étudier le mécanisme de linéarité dans les réseaux électriques. Il s'agit d'un sujet purement théorique associé à de nombreux aspects du domaine de l'énergie. Il espère que ce travail, comme celui de Daline, débouchera sur de nouvelles connaissances fondamentales qui profiteront à l'ensemble du domaine. "C'est comme jouer à un jeu, mais mon but n'est pas de gagner", explique Shuo. "Je veux permettre aux autres de mieux jouer.”   

Références: 

[1]  Daline: https://www.shuo.science/daline.

[2]  Mengshuo Jia, Gabriela Hug, “Overview of Data-driven Power Flow Linearization,” 2023 IEEE PowerTech Conference, Belgrade, Serbia. 

[3]  Mengshuo Jia, Gabriela Hug, Ning Zhang, Zhaojian Wang, Yi Wang, Chongqing Kang. “Data-driven Power Flow Linearization: Theory”.  

[4]  Mengshuo Jia, Gabriela Hug, Ning Zhang, Zhaojian Wang, Yi Wang, Chongqing Kang. “Data-driven Power Flow Linearization: Simulation”.  

[5]  Mengshuo Jia, Wen Yi Chan, Gabriela Hug. “Daline: A Data-driven Power Flow Linearization Toolbox for Power Systems Research and Education,” ETH Research Collection.   

[6] Mengshuo Jia, Zeyu Cui, Gabriela Hug. “Enabling Large Language Models to Perform Power System Simulations with Previously Unseen Tools: A Case of Daline”. 

[7]  Mengshuo Jia, Wen Yi Chan, Gabriela Hug. “User Manual for Daline 1.1.5,” ETH Research Collection.  

[8]  Aline Scherrer, Georgia Pierrou, Mengshuo Jia, Marc Hohmann, Gabriela Hug. “Physics-Data-Driven Power Flow Linearization Considering Topological Remedial Actions,”

 IEEE PES General Meeting 2024, Seattle, WA, USA. 

[9]  Mengshuo Jia, “Rethinking Power Systems Computation: Uncovering Linearity/Nonlinearity Mechanism,” Swiss National Science Foundation, Principal Investigator, No.221126.