Tramitar una red eléctrica es como intentar resolver un enorme rompecabezas.
Los operadores de redes deben avalar que la cantidad adecuada de energía fluya a las áreas correctas en el momento exacto en que se necesita, y deben hacerlo de una modo que minimice los costos sin sobrecargar la infraestructura física. Es más, deben resolver este complicado problema repetidas veces, lo más rápido posible, para satisfacer la demanda en constante cambio.
Para ayudar a resolver este enigma constante, los investigadores del MIT desarrollaron una aparejo de resolución de problemas que encuentra la posibilidad óptima mucho más rápido que los enfoques tradicionales y, al mismo tiempo, garantiza que la posibilidad no viole ninguna de las restricciones del sistema. En una red eléctrica, las limitaciones podrían ser cosas como la capacidad del dinamo y de la estría.
Esta nueva aparejo incorpora un paso de búsqueda de viabilidad en un potente maniquí de formación inconsciente entrenado para resolver el problema. El paso de búsqueda de viabilidad utiliza la predicción del maniquí como punto de partida, refinando iterativamente la posibilidad hasta encontrar la mejor respuesta alcanzable.
El sistema del MIT puede resolver problemas complejos varias veces más rápido que los solucionadores tradicionales, al tiempo que ofrece sólidas garantías de éxito. Para algunos problemas extremadamente complejos, podría encontrar mejores soluciones que las herramientas probadas y verdaderas. La técnica todavía superó a los enfoques de formación inconsciente puro, que son rápidos pero no siempre pueden encontrar soluciones viables.
Encima de ayudar a programar la producción de energía en una red eléctrica, esta nueva aparejo podría aplicarse a muchos tipos de problemas complicados, como el diseño de nuevos productos, la encargo de carteras de inversión o la planificación de la producción para satisfacer la demanda de los consumidores.
«Resolver proporcionadamente estos problemas especialmente espinosos requiere que combinemos herramientas de formación inconsciente, optimización e ingeniería eléctrica para desarrollar métodos que logren las compensaciones correctas en términos de proporcionar valencia al dominio, al mismo tiempo que cumplan con sus requisitos. Hay que analizar las deposición de la aplicación y los métodos de diseño de una modo que en realidad satisfaga esas deposición», dice Priya Donti, profesora de explicación profesional de Silverman Family en el Sección de Ingeniería Eléctrica e Informática (EECS) e investigadora principal en el Laboratorio de Sistemas de Información y Osadía (LIDS).
Donti, autor principal de un estudio de golpe destapado artículo sobre esta nueva aparejo, emplazamiento FSNetestá acompañado por el autor principal Hoang Nguyen, un estudiante reconocido de EECS. El artículo se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neural.
Combinando enfoques
Respaldar un flujo de energía magnífico en una red eléctrica es un problema extremadamente difícil que cada vez es más difícil de resolver rápidamente para los operadores.
«A medida que intentamos integrar más energías renovables en la red, los operadores deben contender con el hecho de que la cantidad de reproducción de energía variará de un momento a otro. Al mismo tiempo, hay muchos más dispositivos distribuidos que coordinar», explica Donti.
Los operadores de redes a menudo dependen de solucionadores tradicionales, que brindan garantías matemáticas de que la posibilidad óptima no viola ninguna restricción del problema. Pero estas herramientas pueden tardar horas o incluso días en datar a esa posibilidad si el problema es especialmente complicado.
Por otro costado, los modelos de formación profundo pueden resolver incluso problemas muy difíciles en una fracción del tiempo, pero la posibilidad podría ignorar algunas limitaciones importantes. Para un cirujano de red eléctrica, esto podría provocar problemas como niveles de voltaje inseguros o incluso cortes de red.
«Los modelos de formación inconsciente tienen dificultades para satisfacer todas las limitaciones correcto a los numerosos errores que se producen durante el proceso de formación», explica Nguyen.
Para FSNet, los investigadores combinaron lo mejor de uno y otro enfoques en un ámbito de resolución de problemas de dos pasos.
Centrándose en la viabilidad
En el primer paso, una red neuronal predice una posibilidad al problema de optimización. Muy vagamente inspirado en las neuronas del cerebro humano, redes neuronales Son modelos de formación profundo que destacan en el examen de patrones en los datos.
A continuación, un solucionador tradicional que se ha incorporado a FSNet realiza un paso de búsqueda de viabilidad. Este cálculo de optimización refina de forma iterativa la predicción auténtico y al mismo tiempo garantiza que la posibilidad no viole ninguna restricción.
Conveniente a que el paso de búsqueda de viabilidad se friso en un maniquí matemático del problema, puede avalar que la posibilidad sea implementable.
«Este paso es muy importante. En FSNet, podemos tener las garantías rigurosas que necesitamos en la experiencia», afirma Hoang.
Los investigadores diseñaron FSNet para chocar uno y otro tipos principales de limitaciones (igualdad y desigualdad) al mismo tiempo. Esto hace que sea más realizable de usar que otros enfoques que pueden requerir personalizar la red neuronal o resolver cada tipo de restricción por separado.
«Aquí puedes simplemente conectar y usar diferentes solucionadores de optimización», dice Donti.
Al pensar de modo diferente sobre cómo la red neuronal resuelve problemas complejos de optimización, los investigadores pudieron desbloquear una nueva técnica que funciona mejor, añade.
Compararon FSNet con solucionadores tradicionales y enfoques de formación inconsciente puro en una variedad de problemas desafiantes, incluida la optimización de la red eléctrica. Su sistema redujo los tiempos de resolución en órdenes de magnitud en comparación con los enfoques básicos, respetando al mismo tiempo todas las limitaciones del problema.
FSNet todavía encontró mejores soluciones para algunos de los problemas más complicados.
«Aunque esto nos sorprendió, tiene sentido. Nuestra red neuronal puede descubrir por sí misma alguna estructura adicional en los datos que el solucionador de optimización innovador no fue diseñado para explotar», explica Donti.
En el futuro, los investigadores quieren que FSNet consuma menos memoria, incorporar algoritmos de optimización más eficientes y ampliarlo para chocar problemas más realistas.
«Encontrar soluciones a problemas de optimización desafiantes que sean factibles es primordial para encontrar soluciones que estén cerca de lo magnífico. Especialmente para sistemas físicos como las redes eléctricas, cerca de lo magnífico no significa carencia sin factibilidad. Este trabajo proporciona un paso importante para avalar que los modelos de formación profundo puedan producir predicciones que satisfagan las restricciones, con garantías explícitas sobre la aplicación de las restricciones», dice Kyri Baker, profesora asociada de la Universidad de Colorado Boulder, que no participó en este trabajo.
«Un desafío persistente para la optimización basada en el formación inconsciente es la viabilidad. Este trabajo combina elegantemente el formación de un extremo a otro con un procedimiento de búsqueda de viabilidad desenvuelto que minimiza las violaciones de igualdad y desigualdad. Los resultados son muy prometedores y espero ver con destino a dónde se dirige esta investigación», añade Ferdinando Fioretto, profesor asistente de la Universidad de Virginia, que no participó en este trabajo.