Una migliore gestione della rete a partire dai dati

Con l'accelerazione del settore dell'automazione, una delle aree più interessanti per l'innovazione del mondo reale è la gestione dell'energia. Migliori algoritmi di automazione possono migliorare sensibilmente la resilienza, l'efficienza e la flessibilità della rete, tutti elementi di cui c'è urgente bisogno. Ma nessuno di questi vantaggi può essere ottenuto senza progressi nella comprensione teorica di base. È qui che il dottor Mengshuo Jia (Shuo) sta concentrando la sua attenzione.    

Nello studio dei sistemi energetici, i modelli fondamentali che descrivono la rete sono troppo complessi per essere utili, soprattutto nei sistemi su larga scala. Questo problema viene comunemente affrontato con la linearizzazione, in modo da ottenere un modello manipolabile e utilizzabile per l'ottimizzazione, sia per applicazioni industriali che per la ricerca. Questi modelli lineari sono oggi parte integrante delle operazioni quotidiane, della compensazione del mercato e della pianificazione della rete dei sistemi energetici di tutto il mondo, sbloccando mercati da migliaia di miliardi di dollari.   

I metodi basati sui dati portano nuove prospettive e nuove domande  

La linearizzazione non è una novità, ma nuove opportunità stanno emergendo con lo sviluppo di modelli basati sui dati.   

La ricerca sugli approcci di linearizzazione basati sulla fisica per i sistemi di potenza è stata sviluppata per decenni. Ma questi metodi si basano sui parametri fisici della rete: le caratteristiche delle linee elettriche, il modo in cui sono collegate, le regole di controllo delle risorse energetiche private e così via. Determinare questi valori precisi è più difficile di quanto si possa pensare! Essi fluttuano, ad esempio, in base a fattori quali la temperatura, l'età dei cavi elettrici e altro ancora. Ciò rende costoso e difficile (o addirittura impossibile) ottenere i valori necessari, soprattutto nelle reti di distribuzione (le reti di fili e pali che si vedono lungo le strade delle città).    

Al contrario, gli approcci di linearizzazione basati sui dati offrono molta più flessibilità e, di solito, molta più precisione. Invece dei parametri fisici esatti della rete in un determinato momento, sono necessari solo i dati operativi, che vengono raccolti automaticamente e continuamente dalle unità di misura distribuite sulla rete. Questi metodi tengono conto delle incertezze e offrono un margine di adattabilità, senza fare affidamento sulle ipotesi comunemente richieste dai metodi basati sulla fisica.  

Tuttavia, nel contesto dei sistemi di potenza, esistono decine di approcci di linearizzazione basati sui dati tra cui scegliere. Come si può sapere qual è il migliore per le proprie esigenze? Quando vengono pubblicati nuovi modelli, viene fatto solo un confronto selettivo per mostrarne i vantaggi (mai una valutazione completa rispetto a tutti gli altri metodi disponibili) e, poiché di solito non sono open-source, è difficile valutarne il funzionamento.     

Per colmare questa lacuna, Shuo ha condotto valutazioni teoriche e numeriche di ogni metodo basato sui dati, esaminando come funziona, in cosa è efficace, dove potrebbe essere carente e come potrebbe essere migliorato. Questa valutazione ha riguardato 40 metodi basati sui dati e quattro metodi tradizionali basati sulla fisica, mettendoli alla prova in decine di test per vedere come si comportano effettivamente in termini di precisione, velocità e altro.   

Questo fornisce prove riproducibili che aiutano a determinare il metodo migliore per le diverse attività di ricerca e di ingegneria, ma l’importanza del progetto riguarda soprattutto l'accessibilità e la selezione. A differenza dei metodi basati sulla fisica, che sono open-source o integrati in software comuni, i nuovi approcci basati sui dati non sono necessariamente facilmente disponibili. "È importante rendere questi nuovi metodi più facili da usare per tutti, non solo per gli specialisti del settore data-driven", sostiene Shuo. "In questo modo, un maggior numero di persone può sfruttare gli ultimi progressi per migliorare i propri progetti".  

Un semplice toolbox per l'università e l'industria  

Per rispondere a questa esigenza, Shuo ha sviluppato una serie di strumenti unici. Daline (che prende il nome dalla “data-driven linearisation”) incorpora più di 50 metodi di linearizzazione, tra cui 10 nuove proposte, oltre ad una moltitudine di modelli guidati dai dati presenti in letteratura e a diversi modelli classici basati sulla fisica. Ma il toolbox va oltre, consentendo la generazione, la correzione, l'elaborazione e la visualizzazione dei dati, nonché la verifica e il confronto dei vari approcci.     

Daline è stato creato per aiutare gli utenti a gestire attività complesse utilizzando pochi e semplici comandi: la maggior parte degli utenti dovrà impararne solo tre. Sotto la piattaforma facile da usare si nasconde un sistema complesso, con centinaia di file che supportano una serie di moduli con più di 300 parametri regolabili. Il toolkit è corredato da un ampio manuale (oltre 150 pagine), creato da Shuo e dal suo assistente di ricerca Wen Yi Chan. Ma se questo sembra scoraggiante, fatevi coraggio: Shuo ha anche sviluppato AgentDaline, sfruttando modelli linguistici di grandi dimensioni (LLM), per aumentare ulteriormente l'accessibilità. Immaginate AgentDaline come un assistente automatico (come J.A.R.V.I.S. dei film di Iron Man) a cui potete inviare messaggi in linguaggio naturale, chiedendogli di chiarire l'uso di vari parametri e di dimostrare le funzioni di Daline. Inoltre, AgentDaline è in grado di eseguire operazioni di simulazione, correggere eventuali bug di codifica e fornire i risultati della simulazione agli utenti.

Costruire AgentDaline significa stabilire un quadro generale che consenta ai LLM di eseguire simulazioni del sistema energetico su richiesta, utilizzando toolbox come Daline, anche se questi modelli AI non hanno mai visto questi toolbox prima d'ora. "Consentire ai LLM di eseguire simulazioni di sistemi energetici (come Daline) potrebbe segnare un nuovo paradigma di ricerca, rendendo questi modelli AI degli assistenti di ricerca efficaci per gli scienziati e le scienziate umane", afferma Shuo.  

Come può il toolbox promuovere una rete sostenibile? 

In termini pratici, modelli migliori significano una migliore pianificazione. Grazie a dati più precisi, gli operatori delle reti elettriche possono prendere decisioni quotidiane migliori (quali generatori far funzionare e quanta energia generare?) e ideare strategie migliori a lungo termine. Dato che i migliori modelli disponibili attraverso Daline sono spesso più precisi di oltre tre ordini di grandezza rispetto ai modelli più comunemente utilizzati, DC o PTDF, il toolbox ha importanti implicazioni per la gestione della rete elettrica nazionale. Diventa possibile garantire un impegno unitario molto più affidabile ed efficiente e, poiché non è necessario spendere di più per determinare i parametri fisici, è anche più ampiamente applicabile.    

Naturalmente, guardando al futuro, possiamo immediatamente vedere un motivo importante per apprezzare questo sviluppo nella linearizzazione dei flussi di potenza. Le fonti di energia rinnovabili introducono molta più incertezza e fluttuazioni nella rete elettrica. Questo mette in luce i limiti dei modelli di linearizzazione basati sulla fisica. Man mano che le fonti rinnovabili assumono un ruolo sempre più importante nella fornitura di energia, la complessità della gestione della rete aumenta vertiginosamente. Gli operatori avranno bisogno di modelli basati sui dati per gestire questa complessità. Dovranno sviluppare o identificare un modello sufficientemente generale per gestire tutte le fluttuazioni introdotte dalle fonti rinnovabili e, poiché i dati passati (provenienti da una rete meno dipendente dalle fonti rinnovabili) saranno rapidamente obsoleti, dovranno continuamente riqualificare il loro modello sulla base dei dati attuali. Fortunatamente, Daline rende tutto questo facile.     

La collaborazione con Swissgrid mette al lavoro Daline 

Gli strumenti sono già stati visti in azione nella collaborazione di Shuo con Swissgrid. Insieme hanno utilizzato metodi di linearizzazione basati sui dati per apportare azioni correttive ad una rete elettrica europea che comprende più di 11.000 punti di connessione e 18.000 linee elettriche, al fine di migliorare l'affidabilità della rete quando si incorporano le energie rinnovabili. I risultati che dimostrano la superiorità dei metodi basati sui dati, saranno condivisi al prossimo IEEE Power & Energy Society General Meeting da Aline Scherrer (una studentessa supervisionata da Shuo) in luglio 2024.    

Daline è un risultato pratico di un lavoro altamente accademico sulla linearizzazione. Sia la valutazione esaustiva di tutti i metodi disponibili che gli strumenti di facile utilizzo hanno l'obiettivo di fornire ricerche e strumenti fondamentali per aiutare la ricerca e l’ingegneria. Il lavoro è stato impegnativo, ma ha portato a scoperte inaspettate lungo il percorso. "Nello sviluppo dell'intera toolbox, ho identificato e risolto un problema in quel campo. E grazie a questo, ho anche sviluppato diversi nuovi metodi", dice Shuo. "Nella mia ricerca sono emersi molti problemi irrisolti e nuovi metodi per risolverli". 

Una particolare intuizione ha permesso a Shuo di ottenere un finanziamento dalla Swiss National Science Foundation, che lo ha supportato nello studio del meccanismo di linearizzazione nei sistemi di potenza. Si tratta di un argomento puramente teorico associato a molti aspetti del settore energetico. Shuo spera che questo lavoro, come quello di Daline, porti a intuizioni fondamentali che possano essere utili al settore in generale. "È come giocare una partita, ma il mio obiettivo non è vincere", dice Shuo. "Voglio permettere agli altri di giocare meglio".   

Citazioni: 

[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.